在R中如何比对两个字符向量是否近似相等？

第一步：统一字符串预处理 #

先解决大小写、特殊符号、常见缩写的基础差异，可覆盖80%的不一致场景：

• 统一转为全小写/全大写
• 替换特殊符号：如&替换为and，可按需去除无意义后缀如Hospital、CENTER等通用标识
• 地址类字段统一缩写映射：如E→East、W→West、Rd→Road等

library(stringr)
# 通用预处理函数
str_preprocess <- function(x) {
  # 转为全小写
  x <- str_to_lower(x)
  # 替换特殊符号&为and
  x <- str_replace_all(x, "&", "and")
  # 地址缩写映射，可根据自身场景扩展
  abbr_map <- c("\\be\\b" = "east", "\\bw\\b" = "west", "\\brd\\b" = "road", "\\bave\\b" = "avenue")
  for (pattern in names(abbr_map)) {
    x <- str_replace_all(x, pattern, abbr_map[[pattern]])
  }
  # 去除多余空格和非字母数字字符
  x <- str_squish(str_replace_all(x, "[^a-z0-9 ]", ""))
  return(x)
}

# 对两个数据集的目标列做预处理
df1$clean_names <- str_preprocess(df1$names)
df2$clean_names <- str_preprocess(df2$names)
# 地址列同理做预处理
df1$clean_addr <- str_preprocess(df1$address)
df2$clean_addr <- str_preprocess(df2$address)

第二步：基于字符串相似度输出匹配布尔值 #

推荐使用stringdist包的Jaro-Winkler距离算法，对机构名、地址这类短字符串的匹配准确率更高，通过设定相似度阈值输出TRUE/FALSE结果：

# 安装依赖包（首次使用执行）
install.packages("stringdist")
library(stringdist)

# 单字段匹配判定函数
is_str_match <- function(a, b, threshold = 0.8) {
  # 计算Jaro-Winkler相似度，取值范围0-1，越接近1相似度越高
  sim <- 1 - stringdist(a, b, method = "jw")
  return(sim >= threshold)
}

# 测试示例
is_str_match("klerk", "klerk hospital") # 返回TRUE
is_str_match("1200 east road", "1200 e road") # 预处理后返回TRUE

第三步：多字段联合匹配优化 #

如果同时有名称和地址两个字段，可加权两个字段的相似度进一步降低误匹配概率：

is_full_match <- function(name1, addr1, name2, addr2, name_weight = 0.6, addr_weight = 0.4, total_threshold = 0.75) {
  name_sim <- 1 - stringdist(name1, name2, method = "jw")
  addr_sim <- 1 - stringdist(addr1, addr2, method = "jw")
  total_sim <- name_sim * name_weight + addr_sim * addr_weight
  return(total_sim >= total_threshold)
}

阈值可根据你的数据集实际情况调整：如果需要提升匹配召回率可适当降低阈值，如果需要减少误匹配可适当调高阈值，建议先拿10-20条已知匹配的样本测试找到最优阈值。

内容的提问来源于stack exchange，提问作者t_97