匹配模糊字符串

Question

我有两个表需要在 PostgreSQL 中的公共变量“公司名称”上合并在一起。不幸的是，许多公司名称并不完全匹配（即一张表中为 MICROSOFT，另一张表中为 MICROSFT）。我尝试从两列中删除常用词，例如“corporation”或“inc”或“ltd”，以便尝试标准化两个表中的名称，但我无法考虑其他策略。有什么想法吗？

谢谢。

另外，如果有必要，我可以在 R 中执行此操作。

Answer 1

您考虑过 fuzzystrmatch 模块吗？您可以使用 soundex、difference、levenshtein、metaphone 和 dmetaphone，或者组合。

fuzzystrmatch 文档

SELECT something
FROM somewhere
WHERE levenshtein(item1, item2) < Carefully_Selected_Threshold

例如，距离 < strong>MICROSOFT 到 MICROSFT 是一 (1)。

levenshtein(dmetaphone('MICROSOFT'), dmetaphone('MICROSFT')

以上返回零 (0)。结合使用 levenshtein 和 dmetaphone 可以帮助您匹配大量拼写错误。