openrefine - 谷歌优化 : merge two data sets on similar-but-different column?

Question

我有两个数据集，它们的公共(public)列名称略有不同。

数据集 A:

Name,Number
Hartlepool UA,306
Tyne and Wear Met County,683

数据集 B:

Name,Number
Hartlepool,366
Tyne and Wear,353

我认为 Google Refine/Open Refine 旨在以模糊的方式帮助协调这种困惑的数据，但是 it seems not .

有没有什么工具可以让我用模糊的方式匹配这些，而无需编写代码？如果需要，我可以很容易地编写代码，但令我惊讶的是，Google Refine 似乎并没有像我想象的那样做。

Answer 1

你也可以:

1. 去除所有标点符号并将地址单元格视为一个大长字符串，如果它不在一个单元格中，则需要使用一些 join()。一旦它是单个单元格中的大字符串，然后使用 Facet -> Custom Text Facet -> fingerprint() GREL 函数。

   fingerprint(value)
   value.fingerprint()
   

2. 使用那个又大又长的字符串，您还可以使用聚类或自定义文本方面执行模糊分析

   value.ngramFingerprint(2)
   

对于您的困惑数据类型，这些可能仍然不是最佳解决方案……地址。特别是，如果您认为您的 2 个示例是“相同的”，但事实并非如此。因此，您需要采用 Tom 建议的方法。

但是如果你真的想说......嘿，这两个地址中的大部分单词和数字都是相同的，我认为它们在我的上下文中非常接近，并且想以某种方式衡量2 个字符串指纹...然后上面的 2 个步骤应该让你指向正确的方向。