Как работает функция Soundex в SQL Server?

Question

Вот пример кода Soundex в SQL:

SELECT SOUNDEX('Smith'), SOUNDEX('Smythe');
----- ----- 
S530  S530  

Как 'Smith' становится S530?

В этом примере первая цифра - S, потому что это первый символ во входном выражении, но как рассчитываются оставшиеся три цифры?

Answer 1

Посмотрите на эту статью

Первая буква кода соответствует первой букве имени.Остальная часть кода состоит из трех цифр, полученных из слогов слова в соответствии со следующим кодом:

• 1 = B, F, P, V
• 2 = C,G, J, K, Q, S, X, Z
• 3 = D, T
• 4 = L
• 5 = M, N
• 6 = R

Двойные буквы с одинаковым кодом Soundex, A, E, I, O, U, H, W, Y и некоторыми префиксами игнорируются ...

Итак, для Смита и Смайта код создается так:

S  S   ->   S
m  m   ->   5
i  y   ->   0
t  t   ->   3
h  h   ->   0
   e   ->   -

Answer 2

Что такое Soundex?

Soundex :

фонетический алгоритм индексации имен по звуку, как произносится на английском языке ; впервые разработанный Робертом К. Расселом и Маргарет Кинг Оделл в 1918 году

Как это работает?

Существует несколько реализаций Soundex, но большинство реализуют следующие шаги:

1. Сохраните первую букву имени и отбросьте все остальные вхождения гласных и h,w:
   |a, e, i, o, u, y, h, w | → "" |
2. Заменить согласных цифрами следующим образом (после первой буквы):
   | b, f, p, v | → 1 |
| c, g, j, k, q, s, x, z | → 2 |
| d, t | → 3 |
| l | → 4 |
| m, n | → 5 |
| r | → 6 |
3. Заменить идентичные соседние числа одним значением (, если они были рядом друг с другом до шага 1 ):
   | M33 | → M3 |
4. Вырезать или Накладку с нулями или вырезать для получения 4-значного результата:
   | M3 | → M300 |
| M34123 | → M341 |

Вот интерактивная демонстрация в jsFiddle :

А вот демонстрация SQL с использованием SQL Fiddle

В SQL Server SOUNDEX часто используется вместе с DIFFERENCE, который используется для подсчета количества идентичных итоговых цифр (как в игре mastermind ^† ), причем более высокие числа соответствуют наиболее близко.

Какие есть альтернативы?

Важно понимать ограничения и критику soundex и того, где люди пытались его улучшить, в частности, опираясь только на английское произношение, а также отбрасывает много данных, что приводит к большему количеству ложных срабатываний .

---

Оба Метафон & Двойной Метафон по-прежнему фокусируются на произношении на английском языке, но добавляют гораздо больше детализации нюансам речь на английском (т.е. PH → F)

Фил Фактор написал функцию метафона в SQL с источником на github

---

Soundex чаще всего используется для идентификации похожих имен, и ему будет очень трудно найти любые похожие псевдонимы (т.е. Robert → Rob или Bob). В ответ на этот вопрос в Базе данных псевдонимов / псевдонимов людей вы можете включить поиск по аналогичным псевдонимам в процессе сопоставления.

Вот несколько бесплатных списков распространенных псевдонимов:

• SOEMPI - name_to_nick.csv | Github
• carltonnorthern - names.csv | Github

Дополнительная литература:

• Нечеткое сопоставление с использованием T-SQL
• SQL Server - Знаете ли вы функции Soundex?