如何在R语言字符向量中准确检测城市名称？修正代码误判问题

原代码问题分析 #

• 模糊匹配阈值过高：max.distance=3允许最多3个字符的编辑差异，极易产生误匹配（比如短城市名如"Bay"可能和文本中的"Bus"匹配）。
• 未限定词边界：没有确保城市名作为独立单词匹配，可能误匹配长单词的部分片段。
• 嵌套循环效率低下：遍历每个字符串+每个城市名的双重循环，处理大量数据时速度极慢。

优化思路 #

1. 优先精确匹配独立词：使用正则词边界\\b确保城市名是完整单词，避免部分匹配。
2. 批量正则匹配：将所有城市名合并为单个正则表达式，利用向量化函数批量检测，大幅提升效率。
3. 严格控制模糊匹配（如需）：仅在必要时启用模糊匹配，缩小max.distance阈值，并结合正则词边界。

代码示例 #

方案1：精确匹配独立城市名（推荐） #

使用stringr包实现高效的正则匹配，确保城市名作为完整单词出现：

name <- c( 
  "Business Applications for New York",
  "Proprietors' Farm Income in New York",
  "Farm Business (Included in Nonfinancial Corporate and Noncorporate Business Sectors); Nonresidential Structures, Current Cost Basis, Transactions"
)

library(maps)
library(stringr)

# 构建正则表达式：为每个城市名添加词边界，处理带空格的城市名
city_pattern <- str_c(
  "\\b", 
  str_replace_all(us.cities$name, "\\s+", "\\\\s+"), 
  "\\b", 
  collapse = "|"
)

# 批量检测是否包含城市名，转换为0/1格式
has_city <- str_detect(name, regex(city_pattern, ignore_case = TRUE))
city <- as.integer(has_city)

# 输出结果：[1] 1 1 0
print(city)

方案2：带严格模糊匹配的检测（适用于存在拼写误差的场景） #

如果需要处理少量拼写错误，可启用模糊匹配但严格控制阈值：

name <- c( 
  "Business Applications for New York",
  "Proprietors' Farm Income in New York",
  "Farm Business (Included in Nonfinancial Corporate and Noncorporate Business Sectors); Nonresidential Structures, Current Cost Basis, Transactions"
)

library(maps)

# 为城市名添加词边界，确保匹配完整单词
city_names <- paste0("\\b", us.cities$name, "\\b")

# 批量检测，仅允许1个字符的编辑差异
has_city <- sapply(name, function(x) {
  any(agrepl(city_names, x, max.distance = 1, ignore.case = TRUE, fixed = FALSE))
})

city <- as.integer(has_city)

# 输出结果：[1] 1 1 0
print(city)

内容的提问来源于stack exchange，提问作者Joe94