使用stringdist::amatch未返回预期最匹配结果的问题求助

问题场景 #

现有两个向量，需要按末尾的6位编号一一匹配：

Filebase = c("20230523-POL3XXXXXX-000001", "20230523-POL3XXXXXX-000002", "20230523-POL3XXXXXX-000003","20230523-POL3XXXXXX-000004", "20230523-POL3XXXXXX-000005", "20230523-POL3XXXXXX-000006")
lswav = c("20230523POL3XXXXXX000001_20230523.wav", "20230523POL3XXXXXX000002_20230523.wav", "20230523POL3XXXXXX000003_20230523.wav", "20230523POL3XXXXXX000004_20230523.wav", "20230523POL3XXXXXX000005_20230523.wav", "20230523POL3XXXXXX000006_20230523.wav")

直接使用stringdist::amatch匹配原始字符串时，返回结果全为第一个元素，不符合预期；提取Filebase的编号后匹配完整lswav字符串，结果也不正确。

解决方法 #

核心是同时提取两个向量的编号字段，基于纯编号做匹配，步骤如下：

1. 提取两个向量的6位编号

# 提取Filebase末尾的6位编号
file_numbers = substr(Filebase, nchar(Filebase) - 5, nchar(Filebase))

# 提取lswav中的6位编号（用stringr定位下划线前的6位数字）
library(stringr)
wav_numbers = str_extract(lswav, "\\d{6}(?=_)")

2. 使用amatch基于编号匹配，映射回原始Filebase

library(stringdist)
# 获取编号匹配的索引
match_idx = amatch(file_numbers, wav_numbers, maxDist = Inf)
# 得到预期的匹配结果
matched_result = Filebase[match_idx]

3. 验证输出

print(matched_result)
# 输出：
# [1] "20230523-POL3XXXXXX-000001" "20230523-POL3XXXXXX-000002" "20230523-POL3XXXXXX-000003"  
# [4] "20230523-POL3XXXXXX-000004" "20230523-POL3XXXXXX-000005" "20230523-POL3XXXXXX-000006"

无依赖替代方案 #

如果不想使用stringr，可以利用lswav字符串的固定结构提取编号：

# lswav中编号位于第16到21位
wav_numbers = substr(lswav, 16, 21)

内容的提问来源于stack exchange，提问作者Charlotte R