さまざまな手法を試してみる
素晴らしいです。すでに複数の文字列距離の計算手法を学びましたね。どの手法を使うかは状況によって変わるため、各手法やそのパラメータを少しずつ試して慣れておくのが有効です。この演習では、検索語として誤記の "Marya Carey"（本来は "Mariah Carey"）を使います。異なる文字列距離の手法では、この誤記は本来の名前とどの程度「近い」のでしょうか？
目標は、上記2つの名前の距離を小さくしつつ、検索対象ではない他の名前との距離は大きく保てるようなパラメータを見つけることです。
この演習はコースの一部です
Rで学ぶ中級正規表現
演習の手順
- 部分文字列の長さを
1と2にして q-gram を生成します。 - q-gram 手法を使い、部分文字列の長さを
1と2としてsearchとnamesの文字列距離を計算します。 "osa"手法を使ってsearchとnamesの文字列距離を計算します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
search <- "Mariah Carey"
names <- c("M. Carey", "Mick Jagger", "Michael Jackson")
# Pass the values 1 and 2 as "q" and inspect the qgrams
qgrams("Mariah Carey", "M. Carey", q = ___)
qgrams("Mariah Carey", "M. Carey", q = ___)
# Try the qgram method on the variables search and names
stringdist(___, ___, method = "___", q = 1)
stringdist(___, ___, method = "___", q = 2)
# Try the default method (osa) on the same input and compare
stringdist(___, ___, method = "___")