Ligne de correspondance floue dans une colonne avec la même ligne dans la colonne suivante

Question

Je souhaite trouver des informations dans une colonne en fonction de l'autre colonne. J'ai donc quelques mots dans une colonne et des phrases complètes dans une autre. Je voudrais savoir s'il trouve les mots dans ces phrases. Mais parfois, les mots ne sont pas les mêmes, donc je ne peux pas utiliser la fonction SQL like. Ainsi, je pense que la correspondance floue + une sorte de « comme » la fonction serait utile que les données ressemble à ceci:

Names     Sentences 
Airplanes Sarl   Airplanes-Sàrl is part of Airplanes-Group Sarl. 
Kidco Ltd.    100% ownership of Kidco.Ltd. is the mother company. 
Popsi Co.    Cola Inc. is 50% share of PopsiCo which is part of LaLo. 

Les données a environ 2000 lignes qui ont besoin d'une logique pour savoir si Airplanes Sarl est en effet dans la phrase ou non, et cela vaut également pour Kidco Ltd., qui est dans la phrase «Kidco.Ltd». Pour simplifier, je n'ai pas besoin de chercher toutes les phrases dans la colonne, il suffit de chercher le mot Kidco Ltd. et de le chercher dans la même ligne de la base de données.

je l'ai déjà essayé en Python avec: df.apply (Lambda: fuzz.ratio (s [ 'Noms'], [s 'Phrases']), axe = 1)

Mais je eu beaucoup d'erreurs unicode/ascii donc j'ai abandonné et je voudrais essayer dans R. Des suggestions sur la façon de faire à ce sujet dans R? J'ai vu des réponses sur Stackoverflow qui correspondraient à toutes les phrases de la colonne, ce qui est différent de ce que je veux. Aucune suggestion?

Answer 1

Peut-être essayer tokenization + correspondance phonétique:

library(RecordLinkage) 
library(quanteda) 
df <- read.table(header=T, sep=";", text=" 
Names     ;Sentences 
Airplanes Sarl   ;Airplanes-Sàrl is part of Airplanes-Group Sarl. 
Kidco Ltd.    ;Airplanes-Sàrl is part of Airplanes-Group Sarl. 
Kidco Ltd.    ;100% ownership of Kidco.Ltd. is the mother company. 
Popsi Co.    ;Cola Inc. is 50% share of PopsiCo which is part of LaLo. 
Popsi Co.    ;Cola Inc. is 50% share of Popsi Co which is part of LaLo.") 
f <- soundex 
tokens <- tokenize(as.character(df$Sentences), ngrams = 1:2) # 2-grams to catch "Popsi Co" 
tokens <- lapply(tokens, f) 
mapply(is.element, soundex(df$Names), tokens) 
# A614 K324 K324 P122 P122 
# TRUE FALSE TRUE TRUE TRUE 

Answer 2

Voici une solution en utilisant la méthode que je suggère dans les commentaires, dans cet exemple, il fonctionne bien:

library("stringdist") 

df <- as.data.frame(matrix(c("Airplanes Sarl","Airplanes-Sàrl is part of Airplanes-Group Sarl.", 
          "Kidco Ltd.","100% ownership of Kidco.Ltd. is the mother company.", 
          "Popsi Co.","Cola Inc. is 50% share of PopsiCo which is part of LaLo.", 
          "some company","It is a truth universally acknowledged...", 
          "Hello world",list(NULL)), 
        ncol=2,byrow=TRUE,dimnames=list(NULL,c("Names","Sentences"))),stringsAsFactors=FALSE) 

null_elements <- which(sapply(df$Sentences,is.null)) 
df$Sentences[null_elements] <- "" # replacing NULLs to avoid errors 
df$dist <- mapply(stringdist,df$Names,df$Sentences) 
df$n2 <- nchar(df$Sentences) 
df$n1 <- nchar(df$Names) 
df$match_quality <- df$dist-(df$n2-df$n1) 
cutoff <- 2 
df$match <- df$match_quality <= cutoff 
df$Sentences[null_elements] <- list(NULL) # setting null elements back to initial value 
df$match[null_elements] <- NA # optional, set to FALSE otherwise, as it will prevent some false positives if Names is shorter than cutoff 

# Names            Sentences dist n2 n1 match_quality match 
# 1 Airplanes Sarl   Airplanes-Sàrl is part of Airplanes-Group Sarl. 33 47 14    0 TRUE 
# 2  Kidco Ltd.  100% ownership of Kidco.Ltd. is the mother company. 42 51 10    1 TRUE 
# 3  Popsi Co. Cola Inc. is 50% share of PopsiCo which is part of LaLo. 48 56 9    1 TRUE 
# 4 some company    It is a truth universally acknowledged... 36 41 12    7 FALSE 
# 5 Hello world              NULL 11 0 11   22 NA