Comparando a similaridade entre strings

Limpando dados em bancos de dados SQL Server

Miriam Antona

Software Engineer

Descrevendo o problema

Strings bagunçadas

| airport_state |
|---------------|
| Caalifornia   |
| California    |
| Californiaa   |
| Illinois      |
| Ilynois       |
| Tejas         |
| Texas         |

SOUNDEX

DIFFERENCE

SOUNDEX

SOUNDEX ( character_expression )

Algoritmo fonético
Retorna um código de quatro caracteres
Baseado no inglês, mas funciona com muitas palavras de outros idiomas

SELECT SOUNDEX('Illinois') AS soundex_code1;
SELECT SOUNDEX('Ilynois') AS soundex_code2;
SELECT SOUNDEX('California') AS soundex_code3;

| soundex_code1 |   | soundex_code2 |   | soundex_code3 |
|---------------|   |---------------|   |---------------|
| I452          |   | I452          |   | I416          |

SOUNDEX - como funciona

Exemplo: "Illinois"

Escreve a primeira letra da palavra
Substitui vogais e letras "h", "w", "y" por zero (0) após a primeira letra

"Illinois" -> I

"Illinois" -> Ill0n00s

SOUNDEX - como funciona

Exemplo: "Illinois"

Substitui consoantes após a primeira letra

SOUNDEX - como funciona

Exemplo: "Illinois"

Substitui consoantes após a primeira letra

Letras	Representada por
b, f, p, v	1
c, g, j, k, q, s, x, z	2
d, t	3
l	4
m, n	5
r	6

"Ill0n00s" -> I4405002

SOUNDEX - como funciona

Substitui dígitos adjacentes iguais por um só
Remove todos os zeros (0)
Se o dígito da letra for igual ao primeiro dígito, remove o primeiro dígito
Completa com zeros se o código tiver menos de 3 dígitos
Remove dígitos finais se o código tiver mais de 3 dígitos

"I4405002" -> I40502

"I40502" -> I452

"I452" (não aplicar)

SOUNDEX - exceções

SELECT SOUNDEX('Arizona') AS soundex_code1;
SELECT SOUNDEX('Arkansas') AS soundex_code2;

| soundex_code1 |   | soundex_code2 |
|---------------|   |---------------|
| A625          |   | A625          |

SOUNDEX - verificando similaridades

SELECT DISTINCT A1.airport_state
FROM airports A1 
INNER JOIN airports A2 
    ON SOUNDEX(A1.airport_state) = SOUNDEX(A2.airport_state)
    AND A1.airport_state <> A2.airport_state

| airport_state |
|---------------|
| Caalifornia   |
| California    |
| Californiaa   |
| Illinois      |
| Ilynois       |
| New Jersey    |
| New York      |
| Tejas         |
| Texas         |

SOUNDEX - verificando similaridades

SELECT DISTINCT A1.airport_state
FROM airports A1 
INNER JOIN airports A2 
    ON SOUNDEX(REPLACE(A1.airport_state, ' ', '')) = SOUNDEX(REPLACE(A2.airport_state, ' ', ''))
    AND A1.airport_state <> A2.airport_state

"New York" -> "NewYork"

| airport_state |
|---------------|
| Caalifornia   |
| California    |
| Californiaa   |
| Illinois      |
| Ilynois       |
| Tejas         |
| Texas         |

DIFFERENCE

DIFFERENCE ( character_expression , character_expression )

Compara dois valores de SOUNDEX
Retorna um valor de 0 a 4
- 0 -> pouca ou nenhuma similaridade
- 4 -> muito semelhantes ou idênticos

DIFFERENCE

SELECT DIFFERENCE('Illinois', 'Ilynois') AS dif_1;

| dif1 |
|------|
|  4   |

SELECT DIFFERENCE('Illinois', 'California') AS dif_2;

| dif2 |
|------|
| 1    |

DIFFERENCE - verificando similaridades

SELECT DISTINCT A1.airport_state, A2.airport_state
FROM airports A1 
INNER JOIN airports A2 
    ON DIFFERENCE(REPLACE(A1.airport_state, ' ', ''), REPLACE(A2.airport_state, ' ', '')) = 4
    AND A1.airport_state <> A2.airport_state

| airport_state | airport_state |
|---------------|---------------|
| Caalifornia   | California    |
| Caalifornia   | Californiaa   |
| California    | Caalifornia   |
| California    | Californiaa   |
| Californiaa   | Caalifornia   |
| Californiaa   | California    |
| Illinois      | Ilynois       |
| Ilynois       | Illinois      |
| Massachusetts | Michigan      |
| Tejas         | Texas         |
| Texas         | Tejas         |

Vamos praticar!

Limpando dados em bancos de dados SQL Server