问题描述
我有两个包含公司名称列表的表。第一个是索引表,因此其中的值将是干净的并且格式是一致的。第二张表包含用户输入的公司信息,因此可能存在拼写错误和格式不一致的情况。
第一个(索引表)看起来与此类似:
company_name | industry
Apple Inc Technology
Amazon Inc Retail
Kraft Heinz Food Processing
New York Life Insurance Company Insurance
Tesla Inc Tesla
Walmart Inc Retail
第二个表(用户输入表)与此类似
company_name
Apple
Apple Inc.
Amazon,Inc
Kraft
New York Life
Tsla
Walmart
请注意,第二个表没有industry
列,因为主要目的是将industry
列添加到第二个表中,但是由于没有键,我们不能简单地加入这两个表。
我认为第一步是比较company_name
之间的相似性,如果相似度足够,我们可以假设它是相同的。
我已经做了一些研究,我认为我们需要使用Levenshtein距离。老实说,我对这种方法不是很熟悉,但是从我的有限理解中,我想知道它是否适用于包含多个单词的输入(例如,纽约人寿保险公司)或仅适用于一个单词的输入(例如,Apple)
任何建议或指导将不胜感激。
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)