R/addressNormalizer.R

In atajti/andego.adattisztitas: Alapvető Adattisztítási Feladatok Magyarul / Basic Data Cleaning for Hungarian Data

#' Címek tisztítása
#'
#' Egy irányítószámból, településből, köztérből és házszámból álló
#'   címek egységes alakra hozása.
#'
#' @param x tisztítandó címeket tartalmazó vektor
#' @param alternative logikai érték az \code{unAccent}-nek
#'
#'
#' @section TODO:
#' A városok jelenleg egy lista alapján irányítoszámokból jönnek létre.
#'   Mivel egy irányítoszám több településhez tartozhat, ez a módszer
#'   adatvesztéssel jár. A listát városnév-tisztításra kéne csak
#'   használni.
#'
#' Lehet, érdemes volna egy flag hogy daraboltan vagy paste-elve
#'   várjuk az eredményt (akkor pedig lista? vagy data.frame?
#'   vagy adja meg a user? és bármit megadhasson, vagy csak pár opcó
#'   legyen?)
#'
#' @return
#' karakter vektor, \code{x} minden elemére egy javított verzió
#'
#' @author
#' Hajdú László
#'
#' @examples
#' cimek <- c("8000 Siófok, Ballagó utca 14/a",
#'            "8000 Siofk, Ballagó utca 14/a 3. em 31.")
#' cleanAddress(cimek)
#' @encoding UTF-8
#' @export

cleanAddress <- function(x, alternative = FALSE){
  irszam <- cleanZip(x,
                     alternative)
  varosok <- varosok[which(!duplicated(varosok$postal)),]
  irsz_sorrend <- sapply(irszam,
                         function(irsz){
                           which(irsz == varosok$postal)
                         })
  irsz_sorrend[(sapply(irsz_sorrend, length) == 0)] <- NA # nem talált irszek NA lesznek
  varos <- cleanCity(unname(unlist(varosok[unlist(irsz_sorrend), "City"])),
                     alternative)
  street <- cleanStreet(x, alternative)
  return(paste(irszam, varos, street, sep=" "))
}