Oracle 字符串转换 - 字母字符串到数字分数，模糊匹配

Question

我正在处理发生以下事件的大量名称数据：

在一个流中，数据以“Sung”形式提交，而在另一个流“Snug”中，我最初的想法是将 Sung 和 Snug 转换为每个字符等于一个数字的位置，然后总和将是相同的，所以即使如果他们横穿一个角色，我就可以适当地存储这些。

另一个是在一个流中它以“Lilly”的形式出现，而不是在另一个流中以“Lilly”出现。我想弄清楚如何模糊匹配这些以便我可以识别它们。我不确定这在 Oracle 中是否可行。

我正在处理数百万个数据点，并试图弄清楚如何编写这些分类桶，这样我就可以在我的主要任务中不再有太多噪音了错误。

任何想法将不胜感激。

Answer 1

这种距离的常用度量称为 Levenshtein 距离 (Wikipedia here)。这测量了两个字符串之间的“编辑”距离——将一个字符串转换为另一个字符串所需的编辑操作数。

这是个好消息。更好的消息是，Oracle 甚至在 UTL_MATCH 库中实现了。

坏消息是，它在数百万个数据点上真的非常非常昂贵。不幸的是，我无法在这方面为您提供太多帮助。一个想法是确定哪些名称“足够接近”，因为它们已经共享了某个最小数量的字符。

另一种方法是将字符串转换为听起来的样子。这称为soundex。您可以同时使用这两者——假设您的名字主要是英文（soundex 算法是由美国人口普查局发明的，因此它最适用于美国的名字）。