对邮寄地址匹配方案的建议？

Question

我的SQL Server包含2个表，其中包含一组类似的邮件（物理）地址字段。注意，这些表是在数据到达我的数据库之前填充的（无法更改）。表中的字段集相似但不相同-大多数字段都存在于两个表中，有的仅存在于一个表中，有的存在于另一个表中。目标是“高度自信”地确定两个邮寄地址是否匹配。

示例字段：

1. 街道号
2. Predirection
3. 街道名称
4. 街道后缀
5. 邮寄方向（一个表而不是另一个表）
6. [单元名称（一个表）v地址2（另一个表）-增加复杂性
7. 邮政编码（每张表的长度各不相同，每5位5 5位以上）
8. 法律说明

理想情况下，我想用一种简单的方法来调用“函数”，该函数返回布尔值或匹配的置信度（0.0-1.0）。可以在我的解决方案中使用SQL或Python进行此调用；免费/开源深受客户青睐。

在SOUNDEX，DIFFERENCE，Levenshtein距离（所有SQL）和usaddress，重复数据删除（Python）等选项中，都不是一个很好的解决方案。

Answer 1

理想情况下，我想用一种简单的方法来调用返回的“函数”匹配的布尔值或置信度（0.0-1.0）。

相似度是您要寻找的。您可以使用距离度量来计算相似度。 Levenshtein Distance，Damerau-Levenshtein Distance和汉明距离是距离度量的示例。

给出两者中最短的一个：M两者中的最短的，N最长的，以及距离度量（D），您可以使用< [（MD）/ N。您还可以使用最长公共子序列或最长公共子串（LCS）通过除以[[LCS / N）来衡量相似性。 如果可以使用CLR，我强烈建议您从mdq.similarity中获得here.，它将使用以下算法给出相似性度量：

Damarau-Levenshtein距离（文档仅说“ Levenshtein”，但它们被误认为是]

Jaccard相似系数算法。

Jaro-Winkler距离算法的一种形式。4个最长的通用子序列算法（当涉及换位时，该算法增加一）
1. 如果性能很重要（这些指标可能很慢，具体取决于您要喂给他们的内容），那么我会很熟悉Bernie function。它旨在使用上述算法的[[
2. any

帮助更快，更快地测量相似度。 Bernie是100％开放源代码，可以使用任何语言（Python，C＃等）轻松地重新创建。同上我的N-Grams函数。

您可以使用NGrams8K轻松创建自己的指标。

对于Levenshtein的纯T-SQL版本或Longest Common Subsequence，可以查看Phil Factor的博客。 （请注意，这些不能与我提到的CLR竞争）。

我现在停止。在我们更好地理解了使字符串与众不同的原因之后，可以给出最佳建议（请在您的评论下注意我的问题）。