我有两张约70 000行的表格。两个表都有一列＆＃34;标题＆＃34;。我需要与表进行比较，并按标题列查找它们的交叉点。我尝试使用JOIN和UNION，但标题可能会有所不同。我的意思是，在一张桌子中它可以是纽约，美国，但在其他表格中它可以是纽约美国。我用谷歌搜索它，它调用＆＃34;模糊字符串搜索＆＃34;。
我已经开始使用php和similar_text了，但它很慢......我认为对于这项任务，我应该使用别的东西，比如 R 也许......我已经将这些数据推送到BigQuery中，但是BigQuery仅支持REGEXEP用于搜索where语句，或者我无法理解它应该如何使用。
R能用速度解决我的问题吗？
谢谢！
dataset1的示例：
new-york, usa|100|5000
dataset2：
newyork usa|50|1000
nnNew-York |10|500
所需输出的示例：
New-York, Usa|160|6500
换句话说，我需要创建一个包含两个表数据的新表。
已更新
感谢您的回答，我尝试了R和agrep，它有效，但非常慢......在40分钟内有2000行，我总共有19万行。这是正常的吗？
答案 0 :(得分：2)
评论太长了。
你问题的答案是＆＃34; Levenshtein距离＆＃34;。然而，有70,000行，这需要大约70,000 * 70,000比较--4.9亿。这很多。
在R中完成工作可能是最好的方法，因为R会将所有数据保存在内存中，并且可能比MySQL中的实现更有效。
有一些方法可以使搜索短路。例如，一种方法是将每个字符串分成n-gram（典型的三元组）并使用它们来减少搜索空间。毕竟，＆＃34;纽约市＆＃34;和＃34;达拉斯＆＃34;没有共同的字母，所以不需要做任何比较。
R中可能有例程来处理三元组。它们在MySQL中非常容易，但不是内置的。