在R中使用自定义方法构建归一化Levenshtein及语义距离矩阵

前置准备 #

首先加载所需依赖包：

library(tidyverse)
library(vwr)

1. 归一化Levenshtein字符串距离矩阵 #

计算逻辑说明 #

匹配你给出的示例规则，相同字符串距离为1，其余值为1减去编辑距离除以较长字符串长度的结果。

实现代码 #

假设你的原始数据框为raw_df，字符串存储在word列：

# 提取所有唯一字符串
unique_words <- unique(raw_df$word)

# 生成所有两两字符串组合的长表
string_dist_long <- crossing(word1 = unique_words, word2 = unique_words) %>%
  mutate(
    # 计算两个字符串的最大长度
    longer_len = pmax(str_length(word1), str_length(word2)),
    # 调用vwr包计算编辑距离
    edit_dist = map2_dbl(word1, word2, ~ levenshtein.distance(.x, .y)),
    # 按规则归一化，匹配示例对角为1的要求
    normed_dist = 1 - (edit_dist / longer_len)
  )

# 长表转矩阵
string_dist_matrix <- string_dist_long %>%
  pivot_wider(names_from = word2, values_from = normed_dist) %>%
  column_to_rownames("word1") %>%
  as.matrix()

2. 二维语义距离矩阵 #

计算逻辑说明 #

形状、图案两个特征每不同一项加1，相同语义距离为0，和你的规则完全匹配。

实现代码 #

假设你的原始数据框中，形状存储在shape列，图案存储在pattern列：

# 提取所有唯一语义组合，生成语义名称
unique_meaning <- raw_df %>%
  distinct(shape, pattern) %>%
  mutate(meaning_name = str_c("带", pattern, shape))

# 生成所有两两语义组合的长表
meaning_dist_long <- crossing(
  meaning1 = unique_meaning,
  meaning2 = unique_meaning
) %>%
  unpack(c(meaning1, meaning2), names_sep = "_") %>%
  mutate(
    meaning_dist = (meaning1_shape != meaning2_shape) + (meaning1_pattern != meaning2_pattern)
  ) %>%
  # 保留需要的列用于转矩阵
  select(meaning1_name, meaning2_name, meaning_dist)

# 长表转矩阵
meaning_dist_matrix <- meaning_dist_long %>%
  pivot_wider(names_from = meaning2_name, values_from = meaning_dist) %>%
  column_to_rownames("meaning1_name") %>%
  as.matrix()

3. 已有长表直接转矩阵方法 #

如果你已经提前计算完所有两两对的距离长表（固定三列：行标识、列标识、距离值），可以用以下方法快速转换：

# 假设长表为dist_long，三列名为row_item、col_item、distance
# 方法1：tidyverse风格
dist_matrix <- dist_long %>%
  pivot_wider(names_from = col_item, values_from = distance) %>%
  column_to_rownames("row_item") %>%
  as.matrix()

# 方法2：base R快速实现
dist_matrix <- as.matrix(xtabs(distance ~ row_item + col_item, data = dist_long))

内容的提问来源于stack exchange，提问作者shleen