我遇到了一篇论坛帖子，其中介绍了在Redshift中创建Python UDF的方法：https://community.periscopedata.com/r/y715m2。
有关Redshift中的Python UDF的更多信息：https://docs.aws.amazon.com/redshift/latest/dg/udf-python-language-support.html
我通过函数检查了一些输出（比如select public.levenshtein('walk', 'cake')） - 它运行得很好。
我希望在t1.first_name+last_name = t2.first_name+last_name上的两个表之间的连接中使用此概念进行模糊匹配。
是否有人熟悉一个“魔法范围”（或者可以根据经验提出一些建议），其中记录应该被视为可能的匹配？即。什么应该将min和max levenshtein（s，t）视为可能的匹配。
答案 0 :(得分：1)
这取决于您的具体情况。当您提供训练数据集时，可以将其视为一个简单的机器学习问题 - 您可以针对数据运行该函数以查看不同类型对的值，并根据该值设置范围。如果您匹配名称，则错误的成本非常高，无论是假阴性（对同一个人不匹配）还是误报（对不同的人匹配）的情况，所以我会选择soundex比leuvenstein。 AFAIK Leuvenstein距离对于非常不同的姓氏，如果它们仅在一个字母中不同，则它们将等于1，但这可能是两种情况 - 当姓氏实际上相同但拼写不同时，或者当姓氏实际上不同但是差异时是一封信。 Soundex更适合区分这类案件。