我有一个个人名称，地址，电话号码等数据集。有些人多次出现，略有变化的名称/和/或收件人和/或电话号码。假数据片段如下所示：固定字符串变量与不同的拼写等
first last address phone
Jimmy Bamboo P.O. Box 1190 xxx-xx-xx00
Jimmy W. Bamboo P.O. Box 1190 xxx-xx-xx22
James West Bamboo P.O. Box 219 xxx-66-xxxx
...等等。有时候，E.被拼写成东，街和街，有时候不是。
我需要做的就是运行几乎120,000行的数据，以便根据姓名，地址和电话号码来识别每个独特的个人。任何人都有一个线索，可以在不手动运行每条记录的情况下如何完成这项工作？我越盯着它，我越觉得它不可能，不作任何判断的呼吁，并说至少有两个或三个领域是相同的对待这个单一的个人。
谢谢!!
Ani
正如我在评论中提到的，这不是小事。您必须根据结果决定程序员时间/解决方案复杂性的权衡。你不会达到100％的结果。你只能接近它，而时间和复杂性成本会增加你接近100％。从一个简单的解决方案开始（完全匹配），并查看哪些问题最常导致错过的匹配。实施模糊解决方案来解决这个问题。冲洗并重复。
有几种工具可以使用（我们全部使用它们）。
1）距离匹配，如Damerau Levenshtein。你可以用这个名字，地址和其他东西。它处理错位如换位，次要拼写，省略字符等。
2）phonetic word matching - soundex不好。还有其他更先进的。我们最终编写了自己的书来处理我们经常遇到的种族混合。
3）昵称查找 - 很多昵称不会被语音或距离匹配 - 像法尼斯的Fanny这样的名字所捕获。有很多这样的昵称。您可以构建对常规名称的昵称查找。请考虑Jennifer - Jen，Jenny，Jennie，Jenee等变体。
名称可能很难。名字的创意拼写似乎是一种当前的时尚。例如，我们的数据库有超过30个名字Kaitlynn的拼写变体，它们都是实际名称的拼写。当你试图将凯蒂与其中任何一个匹配时，这使得昵称匹配变得困难。
这里有类似主题的其他一些答案，我在这里做的计算器：
您可以计算Levenshtein距离的成对矩阵。
看到这个最近的文章以获得更多信息：http://www.markvanderloo.eu/yaRb/2013/02/26/the-stringdist-package/
这听起来像'正expressions'工作。尽管单独使用正则表达式并不容易。（例如，您可以轻松地匹配任何类似于Jxxxxxx Bamboo的任何内容，但它也会与Jacintha Bamboo相匹配。）因此，您可能必须找到常用昵称列表。如果你看看R的“文本挖掘”工具，可能有一些函数可以自动处理这类东西？ –
2013-02-28 00:08:05
艰难的路线，试图至少修复名称，以便它们在记录中保持一致。 – Ani 2013-02-28 00:09:14
我会先找到与特定字段完全匹配的条目，然后检查其他字段是否大致相同。在开始担心模糊匹配之前，请查看您可以使用精确匹配减少数据设置的数量。 – Marius 2013-02-28 00:09:24