按相似词分组

Question

有没有办法按文本字段对表进行分组，因为这个文本字段并不总是完全相同的？

示例：

select city_hotel, count(city_hotel)
from hotels, temp_grid
where st_intersects(hotels.geom, temp_grid.geom)
and potential=1
and part=4
group by city_hotel
order by (city_hotel) desc

我得到的输出是预期的，例如，City name和count：

    "Vassiliki ";1
    "Vassiliki";1
    "Vassilias, Skiathos";1
    "Vassilias";5
    "Vasilikí";25
    "Vasiliki";23
    "Vasilias";1

但是我想对这个字段进行更多的分组，并且只得到一个"Vasiliki“(或者一个包含所有元素的数组，这不是问题)，以及包含它们之间类似内容的所有单元格的计数。

我不知道这是否可能。也许有一些文本分析的功能，或者类似的功能？

Answer 1

SELECT COUNT(*), `etc` FROM table GROUP BY textfield LIKE '%sili%'; 

// The '%' is a SQL wildcard, which matches as many of any character as required.

你可以这样做，为“like”选择一个最适合你用户使用的拼写的单词。

可以对此有所帮助的方法是做一个

SELECT COUNT(*), textfield FROM table GROUP BY textfield ORDER BY textfield;

并为您的单词选择最“平均”的拼写。否则，您将开始进行一些语言处理，为此，您将需要在SQL之外编写一些代码。

这可能类似于https://en.wikipedia.org/wiki/Damerau%E2%80%93Levenshtein_distance

找到在任意误差范围内相同的单词。

这里有一个MySQL实现，您应该能够根据需要转置https://stackoverflow.com/a/6392380/1287480

(瑞士信贷https://stackoverflow.com/a/3515291/1287480)

。

(个人对该主题的思考)

你真的很想考虑限制来自用户的输入，这可能会在第一时间给你带来这个问题。为用户提供一个可供选择的位置列表要比将潜在的“脏”信息推入数据库要好得多。这最终总会以你试图在以后清理信息而告终。这个问题多年来一直困扰着许多人。