模糊匹配编辑匹配选项
使用 模糊匹配工具 配置窗口上的 编辑 按钮访问 编辑匹配选项 窗口。
匹配样式是一种预先确定的方法，用于在输入文件的记录之间查找适当的匹配项。在 “模糊匹配”工具 页面上定义了各个匹配样式选项。
匹配样式
任何预定义或自定义的用户定义匹配样式均显示在此列表中。对话框中的后续规范将根据所选的匹配样式进行选择。
如果编辑预定义匹配样式，下拉列表中的名称将更改为“自定义”。此自定义匹配样式中指定的设置与工作流一起保存。
添加新的自定义匹配样式，而不是删除或编辑默认选项。
要删除匹配样式，请从下拉列表中选择该样式，然后选择 删除 。
要添加匹配样式，请输入新名称，然后选择 确定 。
预处理
预处理 描述了在 生成键 和“模糊匹配”函数之前运行的过程。使用“预处理”应会生成更好的匹配项。此列表中的选项包括：
无 ：未运行“预处理”。
去除标点符号 ：当工具确定匹配项时，指定数据字段中的任何标点符号都将被忽略。
去除标点符号和称谓 ：当工具确定匹配项时，指定数据字段中的任何标点符号及任何称谓（比如 Mr、Ms 和 Mrs）都将被忽略。
去除标点符号及 AND、OF 和 THE ：当工具确定匹配项时，指定数据字段中的任何标点符号及文字 and、of 和 the 的任何实例都将被忽略。
去除标点符号和从美国地址中移除单元 ：当工具确定匹配项时，指定数据字段中的任何标点符号及任何单元号都将被忽略。
日语文本标记化 ：此选项执行 Unicode 规范化，并将所有字符转换为片假名。
日语文本标记化和去除日语公司后缀 ：此选项还会删除常见的日语公司后缀。示例：㈱。
日语文本标记化和规范化日语地址 ：此选项还会标准化日语地址。示例：从今津 3 丁目 14 番地 19 到今津 3-14-19。
对预处理进行手动编辑
用户可以通过编辑 FuzzyMatchStyles.xml 来定义预处理。该文件位于以下 Alteryx 运行时目录中：
\Program Files\Alteryx\bin\RuntimeData\FuzzyMatch
。仅当您熟悉 XML 和正则表达式时，才应编辑此文件。
生成键
生成键是识别潜在匹配项的方法。
Alteryx 浏览指定字段并为该字段的组件分配键。生成所有键后，Alteryx 会比较每个匹配字段的连接键值。如果为两个记录生成的键值相同，则确定为潜在的匹配，该配对即进入匹配过程的下一阶段。函数选项包括：
无 ：在决定哪些记录匹配时，将考虑此字段的键值。
仅限数字 ：仅匹配指定字段中具有相同数字的记录。例如，1-(800)555-1234 匹配 800-555-1234。将忽略非数字字符，并且数字将从最后一位 (4) 匹配到第一位（8 或 1）。要使此记录匹配，请指定最大键值长度 = 10 以忽略前导 1。
双变音算法 ：双变音算法是首选算法。此算法可将英语单词（以及通常在英语中听到的外语单词）缩减为 12 种辅音，从而对其进行语音编码。这可以减少拼写错误导致的匹配问题。双变音算法是根据声音进行匹配的首选方法。如果一个单词具有 2 个可能的发音（比如外语单词），则返回 2 个键值。有关更多信息，请转至 双变音算法 。使用双变音算法可以指定 最大键值长度 。双变音算法最大键值长度限制为 100。
最大键长度
请注意，设置较高的最大键值长度可能会影响性能。
数字双变音算法 ：使用相同的双变音算法，但还包括数字。当字符串内存在数字，第一个令牌中的数字即为键值。例如，在字符串“1234 5th St”中，“1234”是键值。
Soundex ：一种算法，可将姓氏缩减为第一个字母和最多 3 位数字（其中每个数字是六个辅音中的一个），从而对姓氏进行语音编码。这可以减少不同拼写导致的匹配问题。设计该算法是为了对美国人口普查登记中记录的姓名进行编码。标准算法最适用于欧洲姓名。为来自其他文化的姓名设计了各种变体。有关更多信息，请转至 Soundex 。
前导字母替换 ：在生成匹配键之前，Alteryx 会自动替换以下前导字母和字母组合：
前导字母
替换
AV
AF
AH
A
AW
A
CAAN
TAAN
DG
G
D
G
HA
A
KN
K
K
C
MAC
MC
M
N
NST
NS
PF
F
PH
F
Q
G
SCH
SH
Z
S
支持数字的 Soundex ：使用相同的 Soundex 算法，但还包括数字。当字符串中有数字时，第一个令牌中的数字是键值。
完整字段（不区分大小写） ：仅匹配整个字段匹配的记录。大小写被忽略。
仅数字字母（不区分大小写）：仅查找字母数字字符以进行匹配。大小写被忽略。
地址号 + Soundex ：从字符串中移除地址编号，并将 Soundex 算法应用于该字段的其余部分。然后，将 Soundex 代码附加到地址编号，以生成唯一键。
为了准备仅适用于拉丁字符的 Soundex 和双变音算法的日语文本，这些方法首先将日语字符直译为罗马字：
罗马字
罗马字 Soundex
含地址编号的罗马字 Soundex
罗马字 Soundex（带数字）
罗马字双变音算法
罗马字双变音算法（带数字）
为各个单词生成键
为每个单词生成单独的键，即使单词调换顺序，“john smith”和“smith john”仍能作为潜在匹配项列出。
不要为下列单词生成键 ：指定或选择要从键值分配中排除的单词。这可以通过限制潜在匹配项的数量来缩短处理时间。
不要为单字符单词生成键 ：选择此选项可从键值分配中排除单字母单词。这可以通过限制潜在匹配项的数量来缩短处理时间。
为空则忽略 ：忽略指定匹配字段的空值。如果字段为空，则不会生成任何键，并将剔除记录。
最大键长度 ：指定匹配时要考虑的键值最大长度。
匹配函数
匹配函数是一个更精细的过程，通过该过程可以识别匹配项并应用评分。这与键值不同，键值必须完全匹配。选项包括：
无 - 仅键值匹配 ：仅查看“键生成”规范。
Levenshtein 距离 ：将 1 个字符串或树更改为另一个字符串或树所需的最小插入、删除和替换数。选择“Levenshtein 距离”后，由于存在差异，匹配分数将显著降低。有关更多信息，请转至 Levenshtein 距离 。“Levenshtein 距离”选项包括：
字符：Levenshtein 距离
字符（无空格）：Levenshtein 距离
词语：Levenshtein距离
词语和数字：Levenshtein距离
Jaro 距离 ：衡量两个字符串之间的相似度。Jaro 指标是匹配字符百分比和必要变换量的加权总和。就字符串的差异而言，Jaro 距离比 Levenshtein 距离更宽容。有关更多信息，请转至 Jaro-Winkler 。Jaro-Winkler 选项包括：
字符：Jaro距离
字符（无空格）：Jaro 距离
单词：Jaro距离
单词和数字：Jaro距离
最佳 Jaro 和 Levenshtein ：分析两种匹配类型并计分。最佳 Jaro 和 Levenshtein 选项包括...
字符：最佳 Jaro 和 Levenshtein 距离
字符（无空格）：最佳Jaro和Levenshtein距离
字词：最佳 Jaro 和 Levenshtein 距离
文字和数字：最佳 Jaro 和 Levenshtein 距离
函数类型
基于单词（匹配函数以 单词: 开头）的函数将查找指定字段中的任何单词，而不管这些单词的顺序如何。
未基于单词的函数与整个字符串进行匹配。
对于 单词和数字 函数，所有包含数字的令牌必须在两边都有才算匹配。这些函数通常用于地址。
基于词语的函数选项
使用词语匹配时，同时使用 ：您可以指定一种额外的匹配方法，以产生额外的评分（使用最佳评分），并且无需运行“模糊匹配”工具的 2 个实例：
无 ：仅使用基于单词的评分。
字符 ：除了字符匹配函数外，还使用基于单词的匹配评分。将生成 2 个评分，并使用最佳匹配评分来识别匹配。
字符（无空格） ：与上述过程相同，但生成基于字符的匹配项时将忽略空格。
词频统计（仅限词语匹配） ：可以根据预定义的统计信息指定单词频率表。指定后，数据库中出现的单词在传入数据中的重要性会降低，匹配评分也会相应调整。选项包括：
[无] ：不使用“词频统计”。
姓名 ：包含姓名字段中的常见词。频率与这些单词在匹配评分中的重要性成反比。
美国地址 ：包含“美国地址”字段中的常见单词。频率与这些单词在匹配评分中的重要性成反比。
美国公司 ：包含“公司名称”字段中的常见单词。频率与这些单词在匹配评分中的重要性成反比。
示例
将“Albert Commette”与“Albert Commette MD”匹配。
“姓名”的单词频率统计表中包括“MD”一词。指定 单词频率：姓名 后，生成的匹配评分相比未指定“单词频率：姓名”时大约高出 5 分。
字频率统计信息位置
词频统计数据包含在 Alteryx 数据库文件 *yxdb 中，可位于运行时数据目录下：
\Program Files\Alteryx\bin\RuntimeData\FuzzyMatch\您还可以通过编辑位于同一目录中的工作流
CollectStats.yxmd来创建自己的词频统计。昵称/缩写表（仅限单词匹配） ：使用常见昵称表来检查并进一步识别重复项。在仅包含名字（或同时包含名字和姓氏）的字段上使用此选项。添加其他昵称和缩写：
更新位于以下位置的Common nicknames.yxdb数据库：
\Program Files\Alteryx\bin\RuntimeData\FuzzyMatch\可从“模糊匹配”工具的“昵称”部分的下拉框中选择放置在该目录中的任何 .yxdb 文件。
惩罚 ：设置以昵称表中的数据进行匹配时适用的惩罚百分比。默认值为 15%。建议使用惩罚，因为昵称匹配是另一个潜在的错误来源。在与匹配阈值进行比较之前，将从匹配评分中减去惩罚百分比。
匹配阈值 ：设置允许的不确定性百分比，以返回特定字段的匹配项。如果字段 1 的阈值为 60%，但该字段的匹配仅具有 55% 的置信度，则将忽略该记录。
匹配权重 ：给出字段的重要性，从而在匹配过程中增加或减少对该字段的考虑程度。
如果“公司名称”的重要性是“联系人姓名”的两倍，您可以在此处设置重要性。因此，“公司名称”的匹配权重应是“联系人姓名”的匹配权重的两倍。此权重用于计算整体匹配评分。
有关“模糊匹配”用法的其他信息，请参阅 模糊匹配常见问题 。