用于聚类名称的算法

Question

我在db列中有人名（名字，姓氏和姓氏）。 数据未满，例如某些行

• 只有名字，姓氏或姓氏。
• 的顺序不同（姓氏，姓氏）
• 拼错错误

我需要一个算法来显示一组中的一组行，这将表明它是同一个人，我会去手动删除它们除了一个。

这些数据非常具体，名称 NOT 重复，所以如果我们有John，Jonh Smihtm和John Smith，这肯定是同一个人，我会去手动删除除了最后一个。

我需要在可能性组中显示它们。所以应该有一个非常可能的团体是同一个人（John Smith，Jonh Smit），那么应该有一个可能同一个人的集合（John，Johnny），以及可能同一个人（Jo，Jonathan）的集合。

我对数据挖掘和集群相对较新，所以请告诉我一些算法以及如何开始使用。

Answer 1

不使用群集。它会产生很多误报。它会认为“Sam”和“Pam”高度相似。

而是查看拼写校正，或定义Levenshtein距离阈值。但是，考虑到错字行为的东西比这种本土字母方法更有效。