邮政地址模糊匹配怎么办？

我想知道当邮政地址的格式不同或其中一个拼写错误时如何匹配邮政地址。

到目前为止，我已经找到了不同的解决方案，但是我认为它们已经过时并且效率不高。我确信存在一些更好的方法，因此，如果您有供我阅读的参考文献，那么我相信这是一个可能使多个人感兴趣的主题。

我找到的解决方案（示例在R中）：

• Levenshtein距离，它等于将一个单词转换为另一个单词时必须插入，删除或更改的字符数。

  agrep("acusait", c("accusait", "abusait"), max = 2, value = TRUE) ## [1] "accusait" "abusait"

• 音素的比较

  library(RecordLinkage) soundex(x<-c('accusait','acusait','abusait')) ## [1] "A223" "A223" "A123"

• 使用拼写校正器（最终是像Peter Norvig那样的贝叶斯校正器），但我猜它在地址上不是很有效。

• 我考虑过使用Google的建议，但同样，在个人邮政地址上效率也不高。

• 您可以想象使用机器学习监督方法，但是您需要存储用户拼写错误的请求，这对我来说不是一个选择。

使用R时，您可能需要研究stringdist包和可在计算中使用的Jaro-Winkler距离度量。这是由美国人口普查局开发的，用于链接。

有关此杂志的Jaro和Jaro-Winkler距离的更多信息，请参见。

为了比较不同的匹配技术，请阅读本文

有很多巧妙的方法可以延长Levenshtein的距离，从而获得更完整的图像。SeatGeek的团队在这里简要介绍了一个非常有用的模块（对于python），称为“ Fuzzy Wuzzy ” 。

您可以做的几件事是部分字符串相似度（如果您使用不同长度的字符串，例如m＆n且m <n），则仅匹配m个字符。您还可以将字符串分成多个标记（单个词），并查看标记集如何匹配或按字母顺序排列并排序。

用于检测部分字符串匹配（尽管通常在文档级别）的另一种流行的技术是混叠。从本质上讲，这是一种移动窗口方法，该方法提取出目标单词/文档的一组n元语法，然后通过Jaccard系数将它们与其他单词/文档的一组n元语法进行比较。Manning及其同事（2008年）在信息检索的背景下讨论了几乎重复的问题。

我已经用Python编写了一个通用的概率模糊匹配器，它将对匹配任何类型的数据做一个合理的工作：

https://github.com/robinl/fuzzymatcher

它在内存中，因此您可能不想使用它来匹配大约10万行以上的数据集。

我还写了一个针对英国地址的类似项目，但是前提是您有权使用Addressbase Premium。该地址不在内存中，因此已用于100m左右的英国地址。看这里：

https://github.com/RobinL/AddressMatcher

如果您想快速进行此操作，建议使用libpostal来规范化您的地址，然后将其输入到我的通用Fuzzymatcher（pip install fuzzymatcher）中。

您可以在此处找到用法示例。