在excel中查找行值之间的文本相似性

Question

可以说我有9行记录。每3行具有相同的值。例如：

Mike
Mike
Mike
John
John
John
Ryan
Ryan
Ryan

有没有一种方法可以搜索这些记录的相似之处？例如，拼写错误，附加字符，缺少字符等。因此，例如，正确的版本是Mike，但列表中可能有一条记录，其值为Mke，这是不正确的（拼写错误）。我怎样才能找到它并用正确的替换它？

上面的例子显然简化了。我其实有100万行。现在要实现元素的“分组”，我只是按字母顺序对它们进行排序。

Answer 1

我面对完全一样的问题！通过一些搜索，我可以获得并修改以下VBA代码，该代码将启用名为=Similarity()的函数。根据两个输入单元格的相似性，此函数将输出一个从0到1的数字。

• 我如何使用它：

我按字母顺序排序我的专栏的信息和应用的公式。然后我创建了一个Conditional Formatting Rule以突出显示具有高相似性的那些（即：至少65％）。然后我搜索每个突出显示的事件并手动修复我的记录。

• 用法：

  =相似度（小区1，小区2）

OB的。：相似度指示器从0到1变为（0％至100％）

• 实施例：

• 要使用它，必须：

  1. 打开VBE（ALT + F11）
  2. 插入模块
  3. 以下代码粘贴到模块窗口

代码：

Public Function Similarity(ByVal String1 As String, _ 
    ByVal String2 As String, _ 
    Optional ByRef RetMatch As String, _ 
    Optional min_match = 1) As Single 

Dim b1() As Byte, b2() As Byte 
Dim lngLen1 As Long, lngLen2 As Long 
Dim lngResult As Long 

If UCase(String1) = UCase(String2) Then 
    Similarity = 1 
Else: 
    lngLen1 = Len(String1) 
    lngLen2 = Len(String2) 
    If (lngLen1 = 0) Or (lngLen2 = 0) Then 
     Similarity = 0 
    Else: 
     b1() = StrConv(UCase(String1), vbFromUnicode) 
     b2() = StrConv(UCase(String2), vbFromUnicode) 
     lngResult = Similarity_sub(0, lngLen1 - 1, _ 
     0, lngLen2 - 1, _ 
     b1, b2, _ 
     String1, _ 
     RetMatch, _ 
     min_match) 
     Erase b1 
     Erase b2 
     If lngLen1 >= lngLen2 Then 
      Similarity = lngResult/lngLen1 
     Else 
      Similarity = lngResult/lngLen2 
     End If 
    End If 
End If 

End Function 

Private Function Similarity_sub(ByVal start1 As Long, ByVal end1 As Long, _ 
           ByVal start2 As Long, ByVal end2 As Long, _ 
           ByRef b1() As Byte, ByRef b2() As Byte, _ 
           ByVal FirstString As String, _ 
           ByRef RetMatch As String, _ 
           ByVal min_match As Long, _ 
           Optional recur_level As Integer = 0) As Long 
'* CALLED BY: Similarity *(RECURSIVE) 

Dim lngCurr1 As Long, lngCurr2 As Long 
Dim lngMatchAt1 As Long, lngMatchAt2 As Long 
Dim I As Long 
Dim lngLongestMatch As Long, lngLocalLongestMatch As Long 
Dim strRetMatch1 As String, strRetMatch2 As String 

If (start1 > end1) Or (start1 < 0) Or (end1 - start1 + 1 < min_match) _ 
Or (start2 > end2) Or (start2 < 0) Or (end2 - start2 + 1 < min_match) Then 
    Exit Function '(exit if start/end is out of string, or length is too short) 
End If 

For lngCurr1 = start1 To end1 
    For lngCurr2 = start2 To end2 
     I = 0 
     Do Until b1(lngCurr1 + I) <> b2(lngCurr2 + I) 
      I = I + 1 
      If I > lngLongestMatch Then 
       lngMatchAt1 = lngCurr1 
       lngMatchAt2 = lngCurr2 
       lngLongestMatch = I 
      End If 
      If (lngCurr1 + I) > end1 Or (lngCurr2 + I) > end2 Then Exit Do 
     Loop 
    Next lngCurr2 
Next lngCurr1 

If lngLongestMatch < min_match Then Exit Function 

lngLocalLongestMatch = lngLongestMatch 
RetMatch = "" 

lngLongestMatch = lngLongestMatch _ 
+ Similarity_sub(start1, lngMatchAt1 - 1, _ 
start2, lngMatchAt2 - 1, _ 
b1, b2, _ 
FirstString, _ 
strRetMatch1, _ 
min_match, _ 
recur_level + 1) 
If strRetMatch1 <> "" Then 
    RetMatch = RetMatch & strRetMatch1 & "*" 
Else 
    RetMatch = RetMatch & IIf(recur_level = 0 _ 
    And lngLocalLongestMatch > 0 _ 
    And (lngMatchAt1 > 1 Or lngMatchAt2 > 1) _ 
    , "*", "") 
End If 


RetMatch = RetMatch & Mid$(FirstString, lngMatchAt1 + 1, lngLocalLongestMatch) 


lngLongestMatch = lngLongestMatch _ 
+ Similarity_sub(lngMatchAt1 + lngLocalLongestMatch, end1, _ 
lngMatchAt2 + lngLocalLongestMatch, end2, _ 
b1, b2, _ 
FirstString, _ 
strRetMatch2, _ 
min_match, _ 
recur_level + 1) 

If strRetMatch2 <> "" Then 
    RetMatch = RetMatch & "*" & strRetMatch2 
Else 
    RetMatch = RetMatch & IIf(recur_level = 0 _ 
    And lngLocalLongestMatch > 0 _ 
    And ((lngMatchAt1 + lngLocalLongestMatch < end1) _ 
    Or (lngMatchAt2 + lngLocalLongestMatch < end2)) _ 
    , "*", "") 
End If 

Similarity_sub = lngLongestMatch 

End Function 

• 根据您的数据集输出：

Answer 2

我不知道一个完全自动化的方式来做到这一点。有一个Excel“模糊匹配”加载项可能会有所帮助：https://www.microsoft.com/en-us/download/details.aspx?id=15011

我已经使用了它。它大部分时间都在工作，但是与较大的工作表有关。

Answer 3

文本相似性可能会变得相当复杂，这取决于您想走多远。在本文中可以找到对所有不同算法的完整调查A Survey of Text Similarity Approaches（Gomaa & Fahmy，IJCA 2013）。它会伤到你的头，但它是好东西。

具体到VBA你可以参考这个previous answer on SO