문자열 유사도 비교

SQL Server 데이터베이스에서 데이터 정제하기

Miriam Antona

Software Engineer

문제 설명

지저분한 문자열

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

SOUNDEX

DIFFERENCE

SOUNDEX

SOUNDEX ( character_expression )

발음 기반 알고리즘
4자 코드 반환
영어 기반이지만 다른 언어 단어에도 적용 가능

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 - 동작 방식

예: "Illinois"

단어의 첫 글자를 그대로 둠
첫 글자 이후 모음과 "h", "w", "y"는 0으로 치환

"Illinois" -> I

"Illinois" -> Ill0n00s

SOUNDEX - 동작 방식

예: "Illinois"

첫 글자 이후의 자음을 숫자로 치환

SOUNDEX - 동작 방식

예: "Illinois"

첫 글자 이후의 자음을 숫자로 치환

문자	숫자
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 - 동작 방식

연속된 동일 숫자는 하나로 축약
모든 0 제거
글자의 숫자가 첫 숫자와 같으면 첫 숫자 제거
코드가 3자리 미만이면 0을 덧붙임
3자리 초과이면 마지막 숫자 제거

"I4405002" -> I40502

"I40502" -> I452

"I452" (적용하지 않음)

SOUNDEX - 예외

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

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

SOUNDEX - 유사성 확인

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 - 유사성 확인

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 )

두 SOUNDEX 값을 비교
0~4의 값을 반환
- 0 -> 유사도 거의 없음
- 4 -> 매우 유사 또는 동일

DIFFERENCE

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

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

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

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

DIFFERENCE - 유사성 확인

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!

SQL Server 데이터베이스에서 데이터 정제하기