Как создать группы похожих имен в R?

Я хотел бы создать групповые переменные в зависимости от того, насколько похож выбор имен. Я начал с использования пакета stringdist для генерации меры расстояния. Но я не уверен, как использовать эту выходную информацию для создания группы по переменной. Я смотрел на hclust, но похоже, что для использования функций кластеризации вам нужно знать, сколько групп вы хотите получить, и я этого не знаю. Код, с которого я начинаю, ниже:

name_list <- c("Mary", "Mery", "Mary", "Joe", "Jo", "Joey", "Bob", "Beb", "Paul")

name_dist <- stringdistmatrix(name_list)
name_dist
name_dist2 <- stringdistmatrix(name_list, method="soundex")
name_dist2

Я хотел бы видеть фрейм данных с двумя столбцами, которые выглядят как

name = c("Mary", "Mery", "Mary", "Joe", "Jo", "Joey", "Bob", "Beb", "Paul")

name_group = c(1, 1, 1, 2, 2, 2, 3, 3, 4)

Группы могут немного отличаться в зависимости, очевидно, от того, какую меру расстояния я использую (я предложил две выше), но я, вероятно, выберу одну или другую для бега.

По сути, как мне перейти от матрицы расстояний к групповой переменной, не зная количества кластеров, которые я бы хотел?

Источник

2 ответа

Решение

Вы можете использовать кластерный анализ следующим образом:

# loading the package
require(stringdist);

# Group selection by class numbers or height 
num.class <- 5;
num.height <-0.5;

# define names 
n <- c("Mary", "Mery", "Mari", "Joe", 
       "Jo", "Joey", "Bob", "Beb", "Paul");

# calculate distances
d <- stringdistmatrix(n, method="soundex");

# cluster the stuff
h <- hclust(d);

# cut the cluster by num classes
m <- cutree(h, k = num.class);

# cut the cluster by height
p <- cutree(h, h = num.height);

# build the resulting frame
df <- data.frame(names = n, 
                 group.class = m, 
                 group.prob = p);

Это производит:

df;
   names group.class group.prob
1  Mary         1          1
2  Mery         1          1
3  Mari         1          1
4   Joe         2          2
5    Jo         2          2
6  Joey         2          2
7   Bob         3          3
8   Beb         4          3
9  Paul         5          4

И диаграмма дает вам обзор:

plot(h, labels=n);

С наилучшими пожеланиями

Источник

Вы также можете использовать adist(...) в базе R для расчета расстояний Левенштейна и кластера на основе этого.

n<- c("Mary", "Mery", "Mari", "Joe", "Jo", "Joey", "Bob", "Beb", "Paul")
d <- adist(n)
rownames(d)  <- n
cl <- hclust(as.dist(d))
plot(cl)

Источник
Другие вопросы по тегам