匹配模糊字符串

Question

我有两个表，我需要在PostgreSQL中合并在公共变量“公司名称”上。不幸的是，许多公司名称并不完全匹配（即一张表中的MICROSOFT，另一张中的MICROSFT）。我尝试从“公司”或“inc”或“ltd”这两个栏目中删除常见单词，以试图在两个表格中标准化名称，但我在考虑其他策略时遇到了麻烦。有任何想法吗？

谢谢。

另外，如果需要的话我可以在R.

Answer 1

做到这一点你有没有考虑在fuzzystrmatch模块？您可以使用soundex,difference,levenshtein,metaphone和dmetaphone或其组合。

fuzzystrmatch documentation

SELECT something 
FROM somewhere 
WHERE levenshtein(item1, item2) < Carefully_Selected_Threshold 

例如从MICROSOFT到的Microsft的Levenshtein距离是一（1）。

levenshtein(dmetaphone('MICROSOFT'), dmetaphone('MICROSFT') 

以上返回零（0）。结合levenshtein和dmetaphone可以帮助你匹配大量的拼写错误。