Сравнение схожести строк

Очистка данных в базах данных SQL Server

Miriam Antona

Software Engineer

Описание проблемы

Строки с ошибками

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

SOUNDEX

DIFFERENCE

SOUNDEX

SOUNDEX ( character_expression )

Фонетический алгоритм
Возвращает четырёхсимвольный код
Основан на английском языке, но работает и со многими словами других языков

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 — принцип работы

Пример: «Illinois»

Записывает первую букву слова
Заменяет гласные и буквы «h», «w», «y» на ноль (0) после первой буквы

«Illinois» -> I

«Illinois» -> Ill0n00s

SOUNDEX — принцип работы

Пример: «Illinois»

Заменяет согласные после первой буквы

SOUNDEX — принцип работы

Пример: «Illinois»

Заменяет согласные после первой буквы

Буквы	Код
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 — принцип работы

Заменяет одинаковые соседние цифры одной
Удаляет все нули (0)
Если цифра буквы совпадает с первой цифрой, первая цифра удаляется.
Дополняет нулями, если код содержит менее 3 цифр.
Обрезает лишние цифры, если код длиннее 3 цифр.

«I4405002» -> I40502

«I40502» -> I452

«I452» (не применяется)

SOUNDEX — исключения

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

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

SOUNDEX — поиск похожих строк

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 — поиск похожих строк

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 )

Сравнивает два значения SOUNDEX
Возвращает значение от 0 до 4
- 0 -> слабое сходство или его отсутствие
- 4 -> очень высокое сходство или полное совпадение

DIFFERENCE

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

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

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

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

DIFFERENCE — поиск похожих строк

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         |

Давайте потренируемся!

Очистка данных в базах данных SQL Server