匹配模糊字符串

Question

我需要在PostgreSQL中将两个表合并在公共变量“公司名称”上。不幸的是，许多公司名称并不完全匹配（即一个表中的MICROSOFT，另一个表中的MICROSFT）。我尝试从两个列中删除常用词，例如“corporation”或“inc”或“ltd”，以便尝试在两个表中标准化名称，但我无法考虑其他策略。有任何想法吗？

感谢。

此外，如果有必要，我可以在R中执行此操作。

Answer 1

你考虑过fuzzystrmatch模块吗？您可以使用soundex，difference，levenshtein，metaphone和dmetaphone或其组合。

fuzzystrmatch documentation

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

例如，从 MICROSOFT 到 MICROSFT 的levenshtein距离是一（1）。

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

以上返回零（0）。结合levenshtein和dmetaphone可以帮助你匹配许多拼写错误。