名称聚类算法

Question

我在 db 列中有人名（名字、姓氏和姓氏）。 数据不完整，例如某些行

• 只有名字、姓氏或姓氏。
• 顺序不同（姓氏、姓氏）
• 拼写错误

我需要一种算法来显示一组中的一组行，这将表明它是同一个人，我将去手动删除它们，除了一个。

这个数据非常具体，名字没有重复，所以如果我们有 John、Jonh Smihtm 和 John Smith，这肯定是同一个人，我会去并手动删除除最后一个以外的所有内容。

我需要在可能性组中显示它们。所以应该有一组很可能是同一个人（John Smith，Jonh Smit），那么应该有一组可能 同一个人（约翰、约翰尼），以及一组 可能 同一个人（乔、乔纳森）。

我对数据挖掘和聚类比较陌生，所以请告诉我一些算法和入门知识。

Answer 1

不使用集群。它会产生很多误报。它会认为“Sam”和“Pam”高度相似。

改为查看拼写校正，或定义 Levenshtein 距离阈值。但是考虑到拼写错误行为的东西会比这种原生字母方法更好。