R语言是否存在支持模糊字符串检测的包或现成函数？

需求说明 #

需要找到和stringr::str_detect()逻辑一致（检测长字符串中是否包含目标关键词）、支持自定义模糊匹配容错度（可指定允许1个/2个字符的插入、删除、替换等差异）的工具，无需针对单个场景定制正则规则，适配带随机录入噪声的文本分类场景。
示例中原有精确匹配代码无法识别带轻微字符偏差的关键词，导致分类结果出现NA，期望能正确识别所有存在小偏差的关键词，输出正确分类。

实现方案 #

采用通用编辑距离匹配逻辑实现，可自由调整容错阈值，不需要针对特定错误编写定制规则：

1. 核心规则：默认将1次字符插入、删除、替换算作1个差异，符合常规人工录入错误的匹配判定习惯。
2. 可运行代码如下：

library(tidyverse)

# 自定义模糊分类函数
fuzzy_detect_category <- function(text_vec, keyword_map, max_tolerance = 2, ignore_case = FALSE) {
  # keyword_map为两列数据框：category存分类名，keyword存对应匹配关键词
  all_cats <- unique(keyword_map$category)
  map_chr(text_vec, function(single_text) {
    res <- NA_character_
    for (cat in all_cats) {
      cat_keywords <- keyword_map$keyword[keyword_map$category == cat]
      # 检测当前文本是否模糊命中分类下任意关键词
      is_hit <- any(
        map_lgl(cat_keywords, function(kw) {
          agrepl(
            pattern = kw,
            x = single_text,
            max.distance = list(
              insertions = max_tolerance,
              deletions = max_tolerance,
              substitutions = max_tolerance
            ),
            ignore.case = ignore_case
          )
        })
      )
      if (is_hit) {
        res <- cat
        break
      }
    }
    res
  })
}

# 测试数据
my_restaurants <- tibble(restaurant = c("MCDOlNALD'S ON FRANKLIN ST",
                                        "NEW JERSEY WENDYS",
                                        "8/25/19 RUTH CHRIS",
                                        "MELTINGPOT 9823i3")
)

# 关键词分类库
keyword_lib <- tribble(
  ~category, ~keyword,
  "CHEAP", "MCDONALD'S",
  "CHEAP", "WENDY'S",
  "EXPENSIVE", "RUTH CHRIS",
  "EXPENSIVE", "MELTING POT"
)

# 执行匹配
my_restaurants %>%
  mutate(category = fuzzy_detect_category(restaurant, keyword_lib, max_tolerance = 2))

参数调整说明 #

• 调整max_tolerance参数即可修改容错等级：设为1时最多允许1个字符差异，设为2时最多允许2个字符差异，可根据自身数据的噪声程度灵活调整。
• 若需要忽略大小写差异，将函数参数ignore_case设为TRUE即可。
• 若需要将相邻字符打反（如把"CHRIS"打成"CHIRS"）算作1个差异，可将底层匹配逻辑替换为stringdist包的Damerau-Levenshtein距离计算，适配更多录入错误场景，不需要修改上层分类逻辑。

运行上述代码即可得到期望的输出结果：

# A tibble: 4 × 2
  restaurant                 category 
  <chr>                      <chr>    
1 MCDOlNALD'S ON FRANKLIN ST CHEAP    
2 NEW JERSEY WENDYS          CHEAP    
3 8/25/19 RUTH CHRIS         EXPENSIVE
4 MELTINGPOT 9823i3          EXPENSIVE

该方案所有模糊规则通用，数据量较大时也能保持稳定的匹配效率，维护成本远低于针对单个错误编写的定制正则。

内容的提问来源于stack exchange，提问作者justing