स्ट्रिंग्स के बीच समानता की तुलना

SQL Server डेटाबेस में डेटा क्लीनिंग

Miriam Antona

Software Engineer

समस्या का वर्णन

बिखरे/गलत लिखे स्ट्रिंग्स

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

SOUNDEX

DIFFERENCE

SOUNDEX

SOUNDEX ( character_expression )

ध्वन्यात्मक एल्गोरिदम
चार-अक्षरों का कोड लौटाता है
अंग्रेजी पर आधारित, पर कई अन्य भाषाओं के शब्दों पर भी काम करता है

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 - कैसे काम करता है

उदाहरण: "Illinois"

शब्द का पहला अक्षर लिखता है
पहले अक्षर के बाद स्वर और "h", "w", "y" को शून्य (0) से बदलता है

"Illinois" -> I

"Illinois" -> Ill0n00s

SOUNDEX - कैसे काम करता है

उदाहरण: "Illinois"

पहले अक्षर के बाद व्यंजनों को बदलता है

SOUNDEX - कैसे काम करता है

उदाहरण: "Illinois"

पहले अक्षर के बाद व्यंजनों को बदलता है

अक्षर	द्वारा दर्शाया
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 - कैसे काम करता है

एक जैसे साथ-साथ अंकों को एक में बदलता है
सभी शून्य (0) हटाता है
यदि किसी अक्षर का अंक पहले अंक जैसा हो, तो पहला अंक हटाता है
यदि कोड में 3 से कम अंक हों, तो शून्य जोड़ता है
यदि 3 से अधिक हों, तो अंतिम अंक हटाता है

"I4405002" -> I40502

"I40502" -> I452

"I452" (ना लागू करें)

SOUNDEX - अपवाद

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

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

SOUNDEX - समानताएँ जाँचना

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 - समानताएँ जाँचना

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 )

दो SOUNDEX मानों की तुलना करता है
0 से 4 तक मान लौटाता है
- 0 -> बहुत कम या कोई समानता नहीं
- 4 -> बहुत समान या एकदम मेल

DIFFERENCE

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

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

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

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

DIFFERENCE - समानताएँ जाँचें

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         |

अभ्यास करते हैं!

SQL Server डेटाबेस में डेटा क्लीनिंग