So sánh độ giống nhau giữa các chuỗi

Làm sạch dữ liệu trong cơ sở dữ liệu SQL Server

Miriam Antona

Software Engineer

Mô tả vấn đề

Chuỗi lộn xộn

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

SOUNDEX

DIFFERENCE

SOUNDEX

SOUNDEX ( character_expression )

Thuật toán ngữ âm
Trả về mã 4 ký tự
Dựa trên tiếng Anh, nhưng áp dụng được cho nhiều từ ở ngôn ngữ khác

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 - cách hoạt động

Ví dụ: "Illinois"

Ghi chữ cái đầu của từ
Sau chữ đầu, đổi nguyên âm và "h", "w", "y" thành số 0 (0)

"Illinois" -> I

"Illinois" -> Ill0n00s

SOUNDEX - cách hoạt động

Ví dụ: "Illinois"

Thay thế phụ âm sau chữ cái đầu

SOUNDEX - cách hoạt động

Ví dụ: "Illinois"

Thay thế phụ âm sau chữ cái đầu

Chữ cái	Mã đại diện
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 - cách hoạt động

Gộp các chữ số liền kề giống nhau thành một
Loại bỏ tất cả số 0 (0)
Nếu chữ cái có mã trùng với chữ số đầu, bỏ chữ số đầu.
Thêm số 0 nếu mã có ít hơn 3 chữ số.
Cắt bớt chữ số cuối nếu mã có hơn 3 chữ số.

"I4405002" -> I40502

"I40502" -> I452

"I452" (không áp dụng)

SOUNDEX - ngoại lệ

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

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

SOUNDEX - kiểm tra tương đồng

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 - kiểm tra tương đồng

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 )

So sánh hai giá trị SOUNDEX
Trả về giá trị từ 0 đến 4
- 0 -> ít hoặc không giống
- 4 -> rất giống hoặc trùng khớp

DIFFERENCE

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

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

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

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

DIFFERENCE - kiểm tra tương đồng

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         |

Ayo berlatih!

Làm sạch dữ liệu trong cơ sở dữ liệu SQL Server