Question

我有多个具有不同客户名称的表。我试图找出表中同名的次数。这里的挑战是有人可以输入“John Smith”或“Smith，John”这个名字。

每个表中有40,000行，超过40个不同的表。我试图以某种方式查询，而不知道名称，但仍返回相似的名称。

基本上我需要对名称进行分组而不使用如下语句：

WHERE cust_name LIKE '%john%'

当内部数据的格式不同时，如何使用其他表列的内容查询多个表列？您如何最好地“清理”数据以删除逗号，空格等？

Answer 1

你在SSIS中是否可以使用模糊逻辑。我已成功使用模糊灌浆来查找重复项 - 尽管您希望匹配的名称不仅仅是很多人共享相同的名称。我使用姓名，地址，电话和电子邮件完成了比赛。模糊分组允许您使用多个字段进行匹配。

Answer 2

这确实不是数据库问题。真正的问题是提出一种算法，它将取名并将其转换为标准格式。这很难做到，实际上取决于源数据的样子。我会查看你的源数据并尝试找出一些模式来查找，然后使用常规字符串操作将它们全部更改为相同的格式。

Answer 3

名称匹配可能是非常棘手的业务。你不仅需要担心“约翰史密斯”与“史密斯，约翰”的关系，而且你通常需要担心凯瑟琳与凯瑟琳对阵凯特与凯西对阵凯茜。我确信有类似这样的东西的第三方数据挖掘解决方案，虽然没有我可以推荐的。

如果你知道你的名字只有“FirstName LastName”和“LastName，FirstName”的形式，你可以尝试这样的事情：

SELECT
    CASE
        WHEN name LIKE '%,%'
            THEN SUBSTRING(name, CHARINDEX(',', name) + 2, LEN(name)) + ' ' +
                 SUBSTRING(name, 1, CHARINDEX(',', name) - 1)
        ELSE name
    END AS name

字符串函数可能取决于您的特定RDBMS。而且，这非常脆弱。它依赖于精确的格式，在列之后有空格等。如果你想要更好的话，你需要调整它。

我还建议您在40个表中添加一个视图作为UNION ALL，以便您可以同时使用它们。可能会在视图中硬编码，以便您知道每行来自哪个表。

最后，您可以考虑使用soundex，但如果您没有使用它，那么实施它可能很困难。

在多个表中查找相似的名称

3 个答案: