在excel中查找行值之间的文本相似性

Question

假设我有 9 行记录。每 3 行具有相同的值。例如：

Mike  
Mike  
Mike  
John  
John  
John  
Ryan  
Ryan  
Ryan

有没有办法可以搜索这些记录的相似之处？例如拼写错误、附加字符、缺失字符等。例如，正确的版本是Mike，但列表中可能有一条记录值Mke 不正确（拼写错误）。我怎样才能找到它并用正确的替换它？

上面的例子显然被简化了。我实际上有大约 100 万行。现在为了实现元素的“分组”，我只是按字母顺序对它们进行排序。

Answer 1

我也遇到了同样的问题！通过几次搜索，我可以获得并修改以下 VBA 代码，该代码将启用名为 =Similarity() 的函数。该函数将根据两个输入单元格的相似度输出一个从 0 到 1 的数字。

• 我是如何使用它的：

我按字母顺序排列了我的列信息并应用了公式。然后我创建了一个Conditional Formatting Rule 来突出显示具有高相似率（即：至少 65%）的那些。然后我搜索每个突出显示的事件并手动修复我的记录。

• 用法：

  =Similarity(cell1, cell2)
  

Obs.：相似度指标从 0 到 1（0% 到 100%）

• 示例：

• 要使用它，您必须：

  1. 打开 VBE (Alt+F11)
  2. 插入模块
  3. 将以下代码粘贴到模块窗口中

代码：

Public Function Similarity(ByVal String1 As String, _
    ByVal String2 As String, _
    Optional ByRef RetMatch As String, _
    Optional min_match = 1) As Single

Dim b1() As Byte, b2() As Byte
Dim lngLen1 As Long, lngLen2 As Long
Dim lngResult As Long

If UCase(String1) = UCase(String2) Then
    Similarity = 1
Else:
    lngLen1 = Len(String1)
    lngLen2 = Len(String2)
    If (lngLen1 = 0) Or (lngLen2 = 0) Then
        Similarity = 0
    Else:
        b1() = StrConv(UCase(String1), vbFromUnicode)
        b2() = StrConv(UCase(String2), vbFromUnicode)
        lngResult = Similarity_sub(0, lngLen1 - 1, _
        0, lngLen2 - 1, _
        b1, b2, _
        String1, _
        RetMatch, _
        min_match)
        Erase b1
        Erase b2
        If lngLen1 >= lngLen2 Then
            Similarity = lngResult / lngLen1
        Else
            Similarity = lngResult / lngLen2
        End If
    End If
End If

End Function

Private Function Similarity_sub(ByVal start1 As Long, ByVal end1 As Long, _
                                ByVal start2 As Long, ByVal end2 As Long, _
                                ByRef b1() As Byte, ByRef b2() As Byte, _
                                ByVal FirstString As String, _
                                ByRef RetMatch As String, _
                                ByVal min_match As Long, _
                                Optional recur_level As Integer = 0) As Long
'* CALLED BY: Similarity *(RECURSIVE)

Dim lngCurr1 As Long, lngCurr2 As Long
Dim lngMatchAt1 As Long, lngMatchAt2 As Long
Dim I As Long
Dim lngLongestMatch As Long, lngLocalLongestMatch As Long
Dim strRetMatch1 As String, strRetMatch2 As String

If (start1 > end1) Or (start1 < 0) Or (end1 - start1 + 1 < min_match) _
Or (start2 > end2) Or (start2 < 0) Or (end2 - start2 + 1 < min_match) Then
    Exit Function '(exit if start/end is out of string, or length is too short)
End If

For lngCurr1 = start1 To end1
    For lngCurr2 = start2 To end2
        I = 0
        Do Until b1(lngCurr1 + I) <> b2(lngCurr2 + I)
            I = I + 1
            If I > lngLongestMatch Then
                lngMatchAt1 = lngCurr1
                lngMatchAt2 = lngCurr2
                lngLongestMatch = I
            End If
            If (lngCurr1 + I) > end1 Or (lngCurr2 + I) > end2 Then Exit Do
        Loop
    Next lngCurr2
Next lngCurr1

If lngLongestMatch < min_match Then Exit Function

lngLocalLongestMatch = lngLongestMatch
RetMatch = ""

lngLongestMatch = lngLongestMatch _
+ Similarity_sub(start1, lngMatchAt1 - 1, _
start2, lngMatchAt2 - 1, _
b1, b2, _
FirstString, _
strRetMatch1, _
min_match, _
recur_level + 1)
If strRetMatch1 <> "" Then
    RetMatch = RetMatch & strRetMatch1 & "*"
Else
    RetMatch = RetMatch & IIf(recur_level = 0 _
    And lngLocalLongestMatch > 0 _
    And (lngMatchAt1 > 1 Or lngMatchAt2 > 1) _
    , "*", "")
End If


RetMatch = RetMatch & Mid$(FirstString, lngMatchAt1 + 1, lngLocalLongestMatch)


lngLongestMatch = lngLongestMatch _
+ Similarity_sub(lngMatchAt1 + lngLocalLongestMatch, end1, _
lngMatchAt2 + lngLocalLongestMatch, end2, _
b1, b2, _
FirstString, _
strRetMatch2, _
min_match, _
recur_level + 1)

If strRetMatch2 <> "" Then
    RetMatch = RetMatch & "*" & strRetMatch2
Else
    RetMatch = RetMatch & IIf(recur_level = 0 _
    And lngLocalLongestMatch > 0 _
    And ((lngMatchAt1 + lngLocalLongestMatch < end1) _
    Or (lngMatchAt2 + lngLocalLongestMatch < end2)) _
    , "*", "")
End If

Similarity_sub = lngLongestMatch

End Function

• 根据您的数据集输出：

Answer 2

文本相似性可能会变得相当复杂，具体取决于您想要达到的程度。在这篇论文A Survey of Text Similarity Approaches（Gomaa & Fahmy, IJCA 2013）中可以找到对所有不同算法的完整调查。它可能会伤到你的头，但这是个好东西。

VBA具体可以参考这个previous answer on SO

Answer 3

我不知道有一种完全自动化的方法可以做到这一点。有一个 Excel“模糊匹配”插件可能会有所帮助：https://www.microsoft.com/en-us/download/details.aspx?id=15011

我用过。它在大多数情况下都有效，但在处理更大的工作表时会遇到困难。