MySQL查询以在单个列中查找相似值答案

【问题标题】：MySQL query to find similar values in a single columnMySQL查询以在单个列中查找相似值
【发布时间】：2013-02-12 20:58:13
【问题描述】：

我有高度相似但不准确的重复条目。以下是一些示例：

- 2016: Obama's America
- 2016: Obama's America (VF)

- Hurt Locker
- The Hurt Locker

我可以使用什么查询来获得可能相似的titles？

更新

请注意，我并不是要删除 EXACT 重复项。我只是想在单个列中选择相似的值。

【问题讨论】：

好问题！也许有soundex的东西？
@ArnoldDaniels 好主意，感谢您的参考。
我认为这是问题的一半。如果定义“相似”很容易，那么这个问题几乎不值得问。

标签： mysql sql similarity

【解决方案1】：

我认为这可以通过使用一些string metric 测量字符串之间的距离来解决。

Levenshtein 似乎是最著名的指标，我在 Oracle 中使用了它的一些实现。也是implemented for MySQL。您可能会发现其他一些更适合您的指标。

【讨论】：

【解决方案2】：

不确定这是最好的方法还是最有效的方法，这肯定取决于相似的含义。如果意思是标题包含一行中的所有文本但另一行中包含一些文本，那么这样的事情应该有效：

SELECT DISTINCT T.Title
FROM YourTable T
   LEFT JOIN YourTable T2 ON T.Title != T2.Title
WHERE T.Title LIKE CONCAT('%', T2.Title, '%')
UNION 
SELECT DISTINCT T2.Title
FROM YourTable T
   LEFT JOIN YourTable T2 ON T.Title != T2.Title
WHERE T.Title LIKE CONCAT('%', T2.Title, '%')
ORDER BY Title

这里是SQL Fiddle。

【讨论】：

我认为这行不通。电影America 将匹配所有包含美国的电影。
@ArnoldDaniels -- 是的，就像我说的，类似是非常模糊的 :) 有趣的问题。我想问你——美国应该匹配什么？只有像美国一号这样的电影，但不是美国大帝:) 祝你好运。
@ArnoldDaniels -- 一种选择是添加最大长度差 -- 这是一个快速的小提琴：sqlfiddle.com/#!2/17173/1