Porovnávání podobnosti řetězců

Cleaning Data in SQL Server Databases

Miriam Antona

Software Engineer

Popis problému

Nekonzistentní řetězce

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

SOUNDEX

DIFFERENCE

SOUNDEX

SOUNDEX ( character_expression )

Fonetický algoritmus
Vrací čtyřznakový kód
Založen na angličtině, ale funguje i pro mnoho slov v jiných jazycích

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 – jak funguje

Příklad: "Illinois"

Zapíše první písmeno slova
Nahradí samohlásky a písmena "h", "w", "y" nulou (0), a to po prvním písmenu

"Illinois" -> I

"Illinois" -> Ill0n00s

SOUNDEX – jak funguje

Příklad: "Illinois"

Nahrazuje souhlásky po prvním písmenu

SOUNDEX – jak funguje

Příklad: "Illinois"

Nahrazuje souhlásky po prvním písmenu

Písmena	Reprezentuje
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 – jak funguje

Nahradí stejné sousední číslice jednou
Odstraní všechny nuly (0)
Pokud se číslice písmene shoduje s první číslicí, první číslici odstraní.
Doplní nuly, pokud kód obsahuje méně než 3 číslice.
Odstraní přebytečné číslice, pokud kód obsahuje více než 3 číslice.

"I4405002" -> I40502

"I40502" -> I452

"I452" (neaplikuje se)

SOUNDEX – výjimky

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

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

SOUNDEX – hledání podobností

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 – hledání podobností

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 )

Porovnává dvě hodnoty SOUNDEX
Vrací hodnotu od 0 do 4
- 0 -> malá nebo žádná podobnost
- 4 -> velmi podobné nebo shodné

DIFFERENCE

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

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

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

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

DIFFERENCE – hledání podobností

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         |

Pojďme si to procvičit!

Cleaning Data in SQL Server Databases