推荐邮寄地址匹配方案？

Question

My SQL 服务器包含 2 个表，其中包含一组类似的邮寄（物理）地址字段。注意这些表是在数据进入我的数据库之前填充的（无法更改）。表中的字段集相似但不相同 - 大多数都存在于两个表中，一些只在一个表中，一些在另一个表中。目标是“高度自信”地确定两个邮寄地址是否匹配。

示例字段：

1. 街道编号
2. 预定向
3. 街道名称
4. 街道后缀
5. 后向（一个表而不是另一个）
6. 单元名称（一个表）v 地址 2（另一个表）--增加复杂性
7. 邮政编码（每张表的长度各不相同，5 到 5 位以上）
8. 法律说明

理想情况下，我想要一种简单的方法来调用“函数”，该函数返回一个布尔值或匹配的置信水平 (0.0 - 1.0)。这个调用可以在我的解决方案中用 SQL 或 Python 进行；免费/开源深受客户青睐。

在 SOUNDEX、DIFFERENCE、Levenshtein distance（所有 SQL）和 usaddress 等选项中，没有一个是适合的解决方案。

Answer 1

理想情况下，我想要一种简单的方法来调用返回的“函数” 布尔值或匹配的置信度 (0.0 - 1.0)。

相似性指标就是您要寻找的指标。您可以使用距离度量来计算相似度。 Levenshtein Distance、Damerau-Levenshtein Distance 和汉明距离是距离度量的示例。

给定两者中最短的：M 两者中较短的，N 最长的，以及您的距离度量 (D)可以使用 (MD)/N 测量字符串 相似度。您还可以使用最长公共子序列或最长公共子串 (LCS) 通过划分 LCS/N 来衡量相似度。

如果您可以使用 CLR，我强烈推荐 mdq.similarity，您可以从 here. 获得它，它将使用这些算法提供相似度度量：

1. Damarau-Levenshtein 距离（文档只写了“Levenshtein”，但他们弄错了）
2. Jaccard 相似系数算法。
3. Jaro-Winkler 距离算法的一种形式。 4 最长公共子序列算法（涉及转置时会增长一）

如果性能很重要（这些指标可能会很慢，具体取决于您提供的内容），那么我会熟悉我的Bernie function。它旨在帮助使用上述算法中的任何更快地测量相似度。 Bernie 是 100% 开源的，可以轻松地用任何语言（Python、C# 等）重新创建。同上我的 N-Grams 函数。

您可以使用NGrams8K 轻松创建自己的指标。

对于纯 T-SQL 版本的 Levenshtein 或最长公共子序列，您可以查看 Phil Factor 的博客。 （注意这些不能与我提到的 CLR 竞争）。

我先停下来。在我们更好地了解使字符串不同的原因之后，可以给出最好的建议（请在您的评论下注意我的问题）。