résultats inattendus agrep() liés à max.distance dans R

Question

EDIT: Ce bug a été constaté dans les versions 32 bits de R a été corrigé dans R version 2.9.2.

---

Cela m'a été tweeté par @leoniedu aujourd'hui et je n'ai pas de réponse à lui donc je pensais que je posterais ici.

J'ai lu la documentation de agrep() (correspondance de chaînes floues) et il semble que je ne comprenne pas complètement le paramètre max.distance. Voici un exemple:

pattern <- "Staatssekretar im Bundeskanzleramt" 
x <- "Bundeskanzleramt" 
agrep(pattern,x,max.distance=18) 
agrep(pattern,x,max.distance=19) 

Cela se comporte exactement comme je m'attendais. Il y a 18 caractères différents entre les cordes, donc je m'attends à ce que ce soit le seuil d'un match. Voici ce qui me dérange:

agrep(pattern,x,max.distance=30) 
agrep(pattern,x,max.distance=31) 
agrep(pattern,x,max.distance=32) 
agrep(pattern,x,max.distance=33) 

Pourquoi 30 et 33 correspond, mais pas 31 et 32? Pour vous éviter de compter,

> nchar("Staatssekretar im Bundeskanzleramt") 
[1] 34 
> nchar("Bundeskanzleramt") 
[1] 16 

Answer 1

J'ai posté ceci sur la liste R un certain temps et rapporté comme un bogue dans les bogues R-liste. Je n'avais aucune réponse utile, alors j'ai twitté pour voir si le bug était reproductible ou si je manquais juste quelque chose. JD Long a pu le reproduire et a gentiment posté la question ici. Notez que, au moins dans R, agrep est un terme inapproprié car il ne correspond pas pas correspond aux expressions régulières, tandis que grep signifie "Recherche globale de l'expression régulière et imprimer". Il ne devrait pas avoir de problème avec les modèles plus longs que le vecteur cible. (je pense!)

Dans mon serveur Linux, tout va bien, mais pas dans mes machines Mac et Windows.

Mac: sessionInfo() Version 2.9.1 R (26/06/2009) locale i386-apple-darwin8.11.1 : en_US.UTF-8/en_US.UTF-8/C/C /en_US.UTF-8/en_US.UTF-8

agrep (motif, x, max.distance = 30) [1] 1

agrep (motif, x, max.distance = 31 nombre entier (0) agrep (motif, x, max.distance = 32) nombre entier (0) agrep (motif, x, max.distance = 33) [1] 1

Linux: version R 2.9.1 (26/06/2009) x86_64-Linux inconnu gnu

paramètres régionaux: LC_CTYPE = en_US.UTF-8; LC_NUMERIC = C; LC_TIME = en_US.UTF-8; LC_COLLATE = en_US.UTF-8; LC_MONETARY = C; LC_MESSAGES = en_US.UTF-8; LC_PAPER = en_US.UTF-8; lc_name = C; LC_ADDRESS = C; LC_TELEPHONE = C; LC_MEASUREMENT = en_US.UTF-8; LC_IDENTIFICATION = C

agrep (motif, x, max.distance = 30) [1] 1 agrep (motif, x, max.distance = 31) [1] 1 agrep (motif, x, max.distance = 32) [1] 1 agrep (motif, x, max.distance = 33) [1] 1

Answer 2

Je ne suis pas sûr si votre exemple est logique. Pour le basic grep(), le pattern est souvent une expression simple ou régulière, et x est un vecteur dont l'élément correspond au motif. Avoir un motif en tant que plus longue chaîne que x me semble étrange.

Considérez ceci où nous utilisons juste grep au lieu de substr:

R> grep("vo", c("foo","bar","baz")) # vo is not in the vector 
integer(0) 
R> agrep("vo", c("foo","bar","baz"), value=TRUE) # but is close enough to foo 
[1] "foo" 
R> agrep("vo", c("foo","bar","baz"), value=TRUE, max.dist=0.25) # still foo 
[1] "foo" 
R> agrep("vo", c("foo","bar","baz"), value=TRUE, max.dist=0.75) # now all match 
[1] "foo" "bar" "baz" 
R>