字符串算法比較 VB.Net

Question

我想問一些建議，因為我已經這樣做了一個星期。 它基本上是一個數據清理程序。 我有一個包含數千個公司名稱的 excel 文件，我有這個包含正確公司名稱的數據庫。 我想要的是讀取我已經完成的 excel 文件，並將 excel 文件中的每個公司與我在數據庫中的值進行比較。 例如

Excel 中的數據

• 惠普，哥斯達黎加
• 惠普 (HP)
• 惠普新加坡（私人）有限公司

數據庫中的數據

• 惠普

它會自動檢測 excel 中的這 3 個值是惠普，因為 excel 是自由類型的形式。 我想更正其中輸入的所有內容並在我的數據庫中找到相似的值。 就像如果 Hewlett-Packard 拼寫錯誤，它會自動告訴它是 Hewlett-Packard。 任何的想法？

它就像一個自動完成，但帶有思考。 自動完成但決定正確的值

順便說一句，我在 VB.Net 中這樣做。 我正在研究模糊搜索算法和 levenstein 之類的東西。 但我還是不明白我該如何使用它

Answer 1

參見我的博客， 解決正確的問題，有點類似。 您最好進行簡單的匹配並將任何失敗輸出到您手動編輯的文本文件。 這是苦差事，但它會完成工作。 當您開始談論 Levenstein 距離和模糊搜索時，您正在將一個簡單但枯燥的任務變成一個研究項目。

如果您的數據庫僅包含“數千個”（而不是數百萬個）名稱，那么您可以做的一件事就是將所有名稱加載到一個列表中，並對它們進行排序。 然后對 Excel 文件中的名稱進行排序。 然后遍歷兩個列表（標准的合並類型算法）。 例如，您的數據庫中可能有：

Hasbro
Hewlett Packard
Home Depot

並在您的 Excel 文件中：

Grainger
Halliburton
Hewlet Packard, Costa Rica
Hewlett Packard (HP)
Humana

使用合並算法，您可以將“Hewlett Packard, Costa Rica”與“Hewlett Packard”進行比較，您甚至可以將其輸出為建議的替換。 這可能構成您的大部分錯誤。

無論如何，我強烈建議使用計算機來識別不匹配，然后手動解決它們。 這通常是解決此類問題的最快方法。