让我们以两个数据源为例,数据大小分别为"m"one_answers"n"。两个数据集都是SQL表,具有相同的模式,但数据不同。我们的目标是"标记"足够相似的模糊匹配(数据集之间的),以考虑"相同的"。
CREATE TABLE player(
id Integer,
fname VARCHAR(64),
lname VARCHAR(64),
birth_dt datetime,
weight Integer
)
虽然大多数总组合(m*n)将不匹配,但我们希望标记"类似"匹配,如以下所示:
{"fname": "John", "lname": "Smith", "birth_dt": "6/6/91", "weight": 220}
{"fname": "Jack", "lname": "Smith", "birth_dt": "6/6/91", "weight": 210}
是否有任何工具(开源或非开源)可以很好地识别和标记这些"匹配"?
这是一个"记录链接"的问题,这个关键字可以帮助你找到关于这个问题的大量文献。
开源的python库dedupe提供了一个全面的方法。