如何执行两个数据集上的不精确匹配

Question

我试图比较来自两个系统的两个数据集（供应商主人）。我们正在转向一个系统，所以我们希望避免重复。问题是名称，地址等可能略有不同。例如，名称可能以'Inc'或'Inc.'结尾。或者地址可以是'St'或'Street'。供应商的主人已经倾倒出色，所以我想拉他们进入比较他们，但我不知道如何处理不精确的匹配。我需要比较的数据字段是：姓名，地址，电话号码，联邦税号（如果填入），联系人姓名

Answer 1

以下是我将如何继续。你很少会在Stack Exchange上得到这样的答案，因为你的问题如果不够集中。这是一组非常特定的工具（即数据库或电子表格）的通用步骤。正如我在我的评论中所说的，您需要搜索特定的答案（或者询问新的答案），以了解您在使用时使用的特定工具。在不了解所有细节的情况下，Access可以做一些初步的匹配，但是你也可以直接利用Excel甚至Oracle SQL，因为你已经将它作为一种资源。

• 备份您的数据。
• 为了匹配的目的制作一份数据的副本。
• 确保两组数据的每条记录都有一个唯一的关键字（即自动编号字段或类似关键字），以便在确认匹配之前始终可以单独标识记录。
• 创建新的匹配关键表和/或包含匹配的唯一关键字值列表的字段。
• 创建新的“匹配”字段并将您的关键字段复制到这些新字段中。
• 磨砂通过
  • 卸下周期和其他标点符号
  • 选择标准缩写，并通过在所有记录相同的值替换所有变化的所有可能的匹配字段中的数据。例如：替换“公司”和“公司”以“公司”
  • 修剪多余的空间，从年底与词之间
  • 格式化所有的电话号码完全相同的方式，或更好，但删除所有空间和标点符号出于比较的目的，不包括扩展信息：###### ####
  • 将多项属性解析并分割为单独的字段。名称 - > First，Middle，Last Name字段;地址 - >街道号码，街道名称，额外的地址信息。
    • 解析过程本身可以识别和协调格式化差异。
    • 允许分开更容易匹配。
  • 等等等等

一旦匹配字段被充分洗涤，现在匹配在不同的字段。

• 定义匹配的优先级，即哪个或哪些字段可能产生具有最少量不确定性的可靠匹配。
  • 对于包含税号的记录，这似乎是最合乎逻辑的起始位​​置，因为该号码的精确匹配应该是有效的或可以指示数据中的错误。
• 对于每种类型的匹配的，更新上述
• 提到对于每个连续的匹配查询匹配的键字段，排除已经具有在匹配键表/字段的匹配记录。
• 优化并重复所有这些步骤，直到您确信已找到所有匹配。
• 将所有不匹配的记录添加到最终的合并记录集中。

你从来没有说过你有多少条记录。如果可能的话，可能值得您的组织有时间手动验证自动匹配，并列出并自动匹配并在需要时进行调整。

但即使您成功配对非精确匹配，仍有人需要决定为合并系统保留哪条记录。我想你可能会在公司名称和税号上匹配 - 实质上是验证匹配 - 但仍有不同的地址和/或联系人姓名。没有技术答案可以帮助您知道要保留或丢弃哪些数据。应该再次进行人工评审以确定合并后的记录。如果你正确地设置了这一点，一对夫妇的眼球可能会在一天内通过数千条记录。