> Olá Daniel Marcelino, precisaria de uma ajuda sua no soundex.
> Verifiquei que erros de digitação não são captados pelo SoundexBR.
> Exemplo:
> ?MARIA e MARIA, PE8DRO e PEDRO.
> Será que seria tranquilo para você implementar algumas coisas?
> Estou enviando um script que fiz com teste para alguns caracteres.
> Desde já muito obrigada.
> Abs
> Fátima
> soundexBR<-function(termo){
> termo<-toupper(termo)
> # 1. Retire toda pontuação da palavra;
> termo<-gsub("[ÃÁÀÂÄ]","A",termo)
> termo<-gsub("[ÉÈÊ?Ë]","E",termo)
> termo<-gsub("[ÍÌÏÎI]","I",termo)
> termo<-gsub("[ÓÕÒÔÖ]","O",termo)
> termo<-gsub("[ÚÙÛÜU]","U",termo)
> termo<-gsub("Ç","C",termo)
> #1.a Substituir todas as letras duplas por uma única letra
> #
http://www.archives.gov/genealogy/census/soundex.html
> termo<-gsub("([A-Z])\\1", "\\1", termo)
> # 2. Fique com a primeira letra;
> N<-nchar(termo)
> # Modificação PT-BR (Coeli e Camargo)
> termo<-ifelse(substr(termo,1,2)=="WA",sub("W","V",termo),termo)
> termo<-ifelse(substr(termo,1,1)=="H",substr(termo,2,N),termo)
> termo<-ifelse(substr(termo,1,2)=="KA"|substr(termo,1,2)=="KO"|substr(termo,1,2)=="KU",sub("K","C",termo),termo)
> termo<-ifelse(substr(termo,1,1)=="Y",sub("Y","I",termo),termo)
> termo<-ifelse(substr(termo,1,2)=="CE"|substr(termo,1,2)=="CI",sub("C","S",termo),termo)
> termo<-ifelse(substr(termo,1,2)=="GE"|substr(termo,1,2)=="GI",sub("G","J",termo),termo)
> ############## Segunda Parte #######################
> termo.1<-substr(termo,1,1)
> termo<-substr(termo,2,N)
> # 3. Mude todas as ocorrências das letras a seguir por '0' (zero):
> 'A','E','I','O','U','H','W','Y';
> termo<-gsub("[A,E,I,O,U,H,W,Y]",0,termo)
> # 4. Mude as letras restantes de acordo com a tabela abaixo:
> # Número Letra
> # 1 'B','F','P','V'
> termo<-gsub("[B,F,P,V]",1,termo)
> # 2 'C','G','J','K', 'Q','S','X','Z'
> termo<-gsub("[C,G,J,K,Q,S,X,Z]",2,termo)
> # 3 'D','T'
> termo<-gsub("[D,T]",3,termo)
> # 4 'L'
> termo<-gsub("L",4,termo)
> # 5 'M','N'
> termo<-gsub("[M,N]",5,termo)
> # 6 'R'
> termo<-gsub("R",6,termo)
> # 5. Remova todos os zeros da string resultante;
> termo<-gsub(0,"",termo)
> # Eliminar dois numeros iguais consecutivos por um único numero
> #
http://www.archives.gov/genealogy/census/soundex.html
> termo<-gsub("([0-9])\\1", "\\1", termo)
> # Remontar
> termo<-paste(termo.1,termo,sep="")
>
> # 6. Preencha a string resultante com zeros à direita e retorne desta forma:
> #<letra maiuscula><digito><digito><digito>
> termo<-paste(termo,"0000",sep="")
> termo<-substr(termo,1,4)
> return(termo)
> }
>
> soundexBR("termo")
> soundexBR("terno")
>
> nomea=data.frame(nome=c("GER?D","HARTMUT","RALF","STEFAN","ROBERT"))
> nomea
> nomeb=data.frame(nome=c("HARTMUT","GERD","ROBERT","STEFAN","RALF"))
> nomeb
> fonoa=soundexBR(nomea$nome)
> fonob=soundexBR(nomeb$nome)
> library(RecordLinkage)
> pairs.mat = outer(fonoa,fonob, "==")
> pairs.mat
> #Ponto de interrogação
> nomea=data.frame(nome=c("GER?D","HARTMUT","?RALF","STEFAN","ROBERT"))
> nomea
> nomeb=data.frame(nome=c("HARTMUT?","GERD","ROBERT","STEFAN","RALF"))
> nomeb
> fonoa=soundexBR(nomea$nome)
> fonob=soundexBR(nomeb$nome)
> pairs.mat = outer(fonoa,fonob, "==")
> pairs.mat
> #Não funciona com o ? no início
> ###############################################################################
> #Barras inclinadas /
> nomea=data.frame(nome=c("GER/D","/HARTMUT","RALF/","STEFAN","ROBERT"))
> nomea
> nomeb=data.frame(nome=c("HARTMUT","GERD","ROBERT","STEFAN","RALF"))
> nomeb
> fonoa=soundexBR(nomea$nome)
> fonob=soundexBR(nomeb$nome)
> pairs.mat = outer(fonoa,fonob, "==")
> pairs.mat
> #Não funciona com a barra inclinada
> #Barras inclinadas \
> nomea=data.frame(nome=c("GER\D","\HARTMUT","RALF\","STEFAN","ROBERT"))
> nomea
> #O R rejeita a \
> #Parênteses (
> nomea=data.frame(nome=c("GER(D","(HARTMUT","RALF(","STEFA)N","ROBERT)"))
> nomea
> nomeb=data.frame(nome=c("HARTMUT","GERD","ROBERT","STEFAN","RALF"))
> nomeb
> fonoa=soundexBR(nomea$nome)
> fonob=soundexBR(nomeb$nome)
> pairs.mat = outer(fonoa,fonob, "==")
> pairs.mat
> #Só funciona com o parênteses depois do nome
> #Dois pontos e ponto e vírgula
> nomea=data.frame(nome=c("GER:D",":HARTMUT","RALF:","STEFA;N","ROBERT;"))
> nomea
> nomeb=data.frame(nome=c("HARTMUT","GERD","ROBERT","STEFAN","RALF"))
> fonob=soundexBR(nomeb$nome)
> pairs.mat = outer(fonoa,fonob, "==")
> pairs.mat
> #Só funciona com o : e ; depois do nome
> #Dólar e ponto
> nomea=data.frame(nome=c("GER$D","%HARTMUT","RALF%","STEFA.N","ROBERT."))
> nomeb=data.frame(nome=c("HARTMUT","GERD","ROBERT","STEFAN","RALF"))
> nomeb
> fonoa=soundexBR(nomea$nome)
> fonob=soundexBR(nomeb$nome)
> pairs.mat = outer(fonoa,fonob, "==")
> pairs.mat
> #Idem
> #Números
> nomea=data.frame(nome=c("GER1D","2HARTMUT","RALF3","S4TEFA.N","RO5BERT6"))
> nomea
> nomeb=data.frame(nome=c("HARTMUT","GERD","ROBERT","STEFAN","RALF"))
> nomeb
> fonoa=soundexBR(nomea$nome)
> fonob=soundexBR(nomeb$nome)
> pairs.mat = outer(fonoa,fonob, "==")
> pairs.mat
> #Não funciona com números
>
>