Interesuje mnie algorytm w T-SQL obliczający odległość Levenshteina.
źródło
Interesuje mnie algorytm w T-SQL obliczający odległość Levenshteina.
Zaimplementowałem standardową funkcję odległości edycji Levenshteina w TSQL z kilkoma optymalizacjami, które poprawiają prędkość w stosunku do innych znanych mi wersji. W przypadkach, gdy dwa łańcuchy mają wspólne znaki na początku (wspólny prefiks), znaki wspólne na końcu (wspólny sufiks), a także gdy łańcuchy są duże i podana jest maksymalna odległość edycji, poprawa szybkości jest znacząca. Na przykład, gdy wejściowe są dwa bardzo podobne ciągi znaków po 4000 znaków i określono maksymalną odległość edycji wynoszącą 2, jest to prawie trzy rzędy wielkości szybsze niżedit_distance_within
funkcja w zaakceptowanej odpowiedzi, zwracając odpowiedź w 0,073 sekundy (73 milisekundy) vs 55 sekund. Jest również wydajny pod względem pamięci, wykorzystując przestrzeń równą większemu z dwóch ciągów wejściowych plus pewną stałą przestrzeń. Używa pojedynczej "tablicy" nvarchar reprezentującej kolumnę i wykonuje wszystkie obliczenia na miejscu, plus kilka pomocniczych zmiennych int.
Optymalizacje:
Oto kod (zaktualizowany 1/20/2014, aby nieco przyspieszyć):
-- =============================================
-- Computes and returns the Levenshtein edit distance between two strings, i.e. the
-- number of insertion, deletion, and sustitution edits required to transform one
-- string to the other, or NULL if @max is exceeded. Comparisons use the case-
-- sensitivity configured in SQL Server (case-insensitive by default).
--
-- Based on Sten Hjelmqvist's "Fast, memory efficient" algorithm, described
-- at http://www.codeproject.com/Articles/13525/Fast-memory-efficient-Levenshtein-algorithm,
-- with some additional optimizations.
-- =============================================
CREATE FUNCTION [dbo].[Levenshtein](
@s nvarchar(4000)
, @t nvarchar(4000)
, @max int
)
RETURNS int
WITH SCHEMABINDING
AS
BEGIN
DECLARE @distance int = 0 -- return variable
, @v0 nvarchar(4000)-- running scratchpad for storing computed distances
, @start int = 1 -- index (1 based) of first non-matching character between the two string
, @i int, @j int -- loop counters: i for s string and j for t string
, @diag int -- distance in cell diagonally above and left if we were using an m by n matrix
, @left int -- distance in cell to the left if we were using an m by n matrix
, @sChar nchar -- character at index i from s string
, @thisJ int -- temporary storage of @j to allow SELECT combining
, @jOffset int -- offset used to calculate starting value for j loop
, @jEnd int -- ending value for j loop (stopping point for processing a column)
-- get input string lengths including any trailing spaces (which SQL Server would otherwise ignore)
, @sLen int = datalength(@s) / datalength(left(left(@s, 1) + '.', 1)) -- length of smaller string
, @tLen int = datalength(@t) / datalength(left(left(@t, 1) + '.', 1)) -- length of larger string
, @lenDiff int -- difference in length between the two strings
-- if strings of different lengths, ensure shorter string is in s. This can result in a little
-- faster speed by spending more time spinning just the inner loop during the main processing.
IF (@sLen > @tLen) BEGIN
SELECT @v0 = @s, @i = @sLen -- temporarily use v0 for swap
SELECT @s = @t, @sLen = @tLen
SELECT @t = @v0, @tLen = @i
END
SELECT @max = ISNULL(@max, @tLen)
, @lenDiff = @tLen - @sLen
IF @lenDiff > @max RETURN NULL
-- suffix common to both strings can be ignored
WHILE(@sLen > 0 AND SUBSTRING(@s, @sLen, 1) = SUBSTRING(@t, @tLen, 1))
SELECT @sLen = @sLen - 1, @tLen = @tLen - 1
IF (@sLen = 0) RETURN @tLen
-- prefix common to both strings can be ignored
WHILE (@start < @sLen AND SUBSTRING(@s, @start, 1) = SUBSTRING(@t, @start, 1))
SELECT @start = @start + 1
IF (@start > 1) BEGIN
SELECT @sLen = @sLen - (@start - 1)
, @tLen = @tLen - (@start - 1)
-- if all of shorter string matches prefix and/or suffix of longer string, then
-- edit distance is just the delete of additional characters present in longer string
IF (@sLen <= 0) RETURN @tLen
SELECT @s = SUBSTRING(@s, @start, @sLen)
, @t = SUBSTRING(@t, @start, @tLen)
END
-- initialize v0 array of distances
SELECT @v0 = '', @j = 1
WHILE (@j <= @tLen) BEGIN
SELECT @v0 = @v0 + NCHAR(CASE WHEN @j > @max THEN @max ELSE @j END)
SELECT @j = @j + 1
END
SELECT @jOffset = @max - @lenDiff
, @i = 1
WHILE (@i <= @sLen) BEGIN
SELECT @distance = @i
, @diag = @i - 1
, @sChar = SUBSTRING(@s, @i, 1)
-- no need to look beyond window of upper left diagonal (@i) + @max cells
-- and the lower right diagonal (@i - @lenDiff) - @max cells
, @j = CASE WHEN @i <= @jOffset THEN 1 ELSE @i - @jOffset END
, @jEnd = CASE WHEN @i + @max >= @tLen THEN @tLen ELSE @i + @max END
WHILE (@j <= @jEnd) BEGIN
-- at this point, @distance holds the previous value (the cell above if we were using an m by n matrix)
SELECT @left = UNICODE(SUBSTRING(@v0, @j, 1))
, @thisJ = @j
SELECT @distance =
CASE WHEN (@sChar = SUBSTRING(@t, @j, 1)) THEN @diag --match, no change
ELSE 1 + CASE WHEN @diag < @left AND @diag < @distance THEN @diag --substitution
WHEN @left < @distance THEN @left -- insertion
ELSE @distance -- deletion
END END
SELECT @v0 = STUFF(@v0, @thisJ, 1, NCHAR(@distance))
, @diag = @left
, @j = case when (@distance > @max) AND (@thisJ = @i + @lenDiff) then @jEnd + 2 else @thisJ + 1 end
END
SELECT @i = CASE WHEN @j > @jEnd + 1 THEN @sLen + 1 ELSE @i + 1 END
END
RETURN CASE WHEN @distance <= @max THEN @distance ELSE NULL END
END
Jak wspomniano w komentarzach do tej funkcji, uwzględnianie wielkości liter przy porównywaniu znaków będzie następować po zastosowanym sortowaniu. Domyślnie sortowanie w SQL Server to takie, które spowoduje porównania bez rozróżniania wielkości liter. Jednym ze sposobów zmodyfikowania tej funkcji, aby zawsze uwzględniała wielkość liter, byłoby dodanie określonego sortowania do dwóch miejsc, w których porównywane są ciągi. Jednak nie przetestowałem tego dokładnie, zwłaszcza pod kątem skutków ubocznych, gdy baza danych używa sortowania innego niż domyślne. Oto, jak te dwie linie zostałyby zmienione, aby wymusić porównania z uwzględnieniem wielkości liter:
-- prefix common to both strings can be ignored
WHILE (@start < @sLen AND SUBSTRING(@s, @start, 1) = SUBSTRING(@t, @start, 1) COLLATE SQL_Latin1_General_Cp1_CS_AS)
i
SELECT @distance =
CASE WHEN (@sChar = SUBSTRING(@t, @j, 1) COLLATE SQL_Latin1_General_Cp1_CS_AS) THEN @diag --match, no change
Arnold Fribble miał dwie propozycje na sqlteam.com/forums
Oto młodszy z 2006 roku:
SET QUOTED_IDENTIFIER ON GO SET ANSI_NULLS ON GO CREATE FUNCTION edit_distance_within(@s nvarchar(4000), @t nvarchar(4000), @d int) RETURNS int AS BEGIN DECLARE @sl int, @tl int, @i int, @j int, @sc nchar, @c int, @c1 int, @cv0 nvarchar(4000), @cv1 nvarchar(4000), @cmin int SELECT @sl = LEN(@s), @tl = LEN(@t), @cv1 = '', @j = 1, @i = 1, @c = 0 WHILE @j <= @tl SELECT @cv1 = @cv1 + NCHAR(@j), @j = @j + 1 WHILE @i <= @sl BEGIN SELECT @sc = SUBSTRING(@s, @i, 1), @c1 = @i, @c = @i, @cv0 = '', @j = 1, @cmin = 4000 WHILE @j <= @tl BEGIN SET @c = @c + 1 SET @c1 = @c1 - CASE WHEN @sc = SUBSTRING(@t, @j, 1) THEN 1 ELSE 0 END IF @c > @c1 SET @c = @c1 SET @c1 = UNICODE(SUBSTRING(@cv1, @j, 1)) + 1 IF @c > @c1 SET @c = @c1 IF @c < @cmin SET @cmin = @c SELECT @cv0 = @cv0 + NCHAR(@c), @j = @j + 1 END IF @cmin > @d BREAK SELECT @cv1 = @cv0, @i = @i + 1 END RETURN CASE WHEN @cmin <= @d AND @c <= @d THEN @c ELSE -1 END END GO
źródło
IIRC, z SQL Server 2005 i nowszymi wersjami, można pisać procedury składowane w dowolnym języku .NET: Korzystanie z integracji CLR w SQL Server 2005 . Dzięki temu nie powinno być trudno napisać procedurę obliczania odległości Levensteina .
Prosty Hello, World! wyciągnięte z pomocy:
Następnie na serwerze SQL uruchom następujące czynności:
CREATE ASSEMBLY helloworld from 'c:\helloworld.dll' WITH PERMISSION_SET = SAFE CREATE PROCEDURE hello @i nchar(25) OUTPUT AS EXTERNAL NAME helloworld.HelloWorldProc.HelloWorld
A teraz możesz go przetestować:
DECLARE @J nchar(25) EXEC hello @J out PRINT @J
Mam nadzieję że to pomoże.
źródło
Możesz użyć algorytmu odległości Levenshteina do porównywania ciągów
Tutaj można znaleźć przykład T-SQL pod adresem http://www.kodyaz.com/articles/fuzzy-string-matching-using-levenshtein-distance-sql-server.aspx
CREATE FUNCTION edit_distance(@s1 nvarchar(3999), @s2 nvarchar(3999)) RETURNS int AS BEGIN DECLARE @s1_len int, @s2_len int DECLARE @i int, @j int, @s1_char nchar, @c int, @c_temp int DECLARE @cv0 varbinary(8000), @cv1 varbinary(8000) SELECT @s1_len = LEN(@s1), @s2_len = LEN(@s2), @cv1 = 0x0000, @j = 1, @i = 1, @c = 0 WHILE @j <= @s2_len SELECT @cv1 = @cv1 + CAST(@j AS binary(2)), @j = @j + 1 WHILE @i <= @s1_len BEGIN SELECT @s1_char = SUBSTRING(@s1, @i, 1), @c = @i, @cv0 = CAST(@i AS binary(2)), @j = 1 WHILE @j <= @s2_len BEGIN SET @c = @c + 1 SET @c_temp = CAST(SUBSTRING(@cv1, @j+@j-1, 2) AS int) + CASE WHEN @s1_char = SUBSTRING(@s2, @j, 1) THEN 0 ELSE 1 END IF @c > @c_temp SET @c = @c_temp SET @c_temp = CAST(SUBSTRING(@cv1, @j+@j+1, 2) AS int)+1 IF @c > @c_temp SET @c = @c_temp SELECT @cv0 = @cv0 + CAST(@c AS binary(2)), @j = @j + 1 END SELECT @cv1 = @cv0, @i = @i + 1 END RETURN @c END
(Funkcja opracowana przez Josepha Gamę)
Stosowanie :
select dbo.edit_distance('Fuzzy String Match','fuzzy string match'), dbo.edit_distance('fuzzy','fuzy'), dbo.edit_distance('Fuzzy String Match','fuzy string match'), dbo.edit_distance('levenshtein distance sql','levenshtein sql server'), dbo.edit_distance('distance','server')
Algorytm po prostu zwraca liczbę stpe, aby zmienić jeden ciąg na inny, zastępując inny znak w jednym kroku
źródło
Szukałem też przykładu kodu dla algorytmu Levenshteina i z przyjemnością go tutaj znalazłem. Oczywiście chciałem zrozumieć, jak działa algorytm i bawiłem się trochę jednym z powyższych przykładów, trochę pobawiłem się, który został opublikowany przez Veve . Aby lepiej zrozumieć kod, stworzyłem EXCEL z Matrixem.
odległość dla FUZZY w porównaniu z FUZY
Obrazy mówią więcej niż 1000 słów.
Dzięki temu EXCELowi odkryłem, że istnieje potencjał do dodatkowej optymalizacji wydajności. Wszystkie wartości w prawym górnym, czerwonym obszarze nie muszą być obliczane. Wartość każdej czerwonej komórki daje wartość lewej komórki plus 1. Dzieje się tak, ponieważ drugi ciąg będzie zawsze dłuższy w tym obszarze niż pierwszy, co zwiększa odległość o 1 dla każdego znaku.
Można to odzwierciedlić, używając instrukcji IF @j <= @i i zwiększając wartość @i Przed tą instrukcją.
CREATE FUNCTION [dbo].[f_LevenshteinDistance](@s1 nvarchar(3999), @s2 nvarchar(3999)) RETURNS int AS BEGIN DECLARE @s1_len int; DECLARE @s2_len int; DECLARE @i int; DECLARE @j int; DECLARE @s1_char nchar; DECLARE @c int; DECLARE @c_temp int; DECLARE @cv0 varbinary(8000); DECLARE @cv1 varbinary(8000); SELECT @s1_len = LEN(@s1), @s2_len = LEN(@s2), @cv1 = 0x0000 , @j = 1 , @i = 1 , @c = 0 WHILE @j <= @s2_len SELECT @cv1 = @cv1 + CAST(@j AS binary(2)), @j = @j + 1; WHILE @i <= @s1_len BEGIN SELECT @s1_char = SUBSTRING(@s1, @i, 1), @c = @i , @cv0 = CAST(@i AS binary(2)), @j = 1; SET @i = @i + 1; WHILE @j <= @s2_len BEGIN SET @c = @c + 1; IF @j <= @i BEGIN SET @c_temp = CAST(SUBSTRING(@cv1, @j + @j - 1, 2) AS int) + CASE WHEN @s1_char = SUBSTRING(@s2, @j, 1) THEN 0 ELSE 1 END; IF @c > @c_temp SET @c = @c_temp SET @c_temp = CAST(SUBSTRING(@cv1, @j + @j + 1, 2) AS int) + 1; IF @c > @c_temp SET @c = @c_temp; END; SELECT @cv0 = @cv0 + CAST(@c AS binary(2)), @j = @j + 1; END; SET @cv1 = @cv0; END; RETURN @c; END;
źródło
('jane', 'jeanne')
zwrócą odległość 3, gdy odległość powinna wynosić 2. Aby skorygować ten dodatkowy kod należy dodać, że zamienia@s1
i@s2
jeśli@s1
ma krótszą długość niż@s2
.W języku TSQL najlepszym i najszybszym sposobem porównania dwóch elementów są instrukcje SELECT, które łączą tabele na indeksowanych kolumnach. Dlatego w ten sposób proponuję zaimplementować odległość edycji, jeśli chcesz skorzystać z zalet silnika RDBMS. Pętle TSQL również będą działać, ale obliczenia odległości Levensteina będą szybsze w innych językach niż w TSQL dla porównań dużych wolumenów.
Zaimplementowałem odległość edycji w kilku systemach, używając serii Łączeń dla tabel tymczasowych przeznaczonych tylko do tego celu. Wymaga kilku ciężkich etapów wstępnego przetwarzania - przygotowania tymczasowych tabel - ale działa bardzo dobrze przy dużej liczbie porównań.
W kilku słowach: wstępne przetwarzanie polega na tworzeniu, wypełnianiu i indeksowaniu tabel tymczasowych. Pierwsza zawiera identyfikatory referencji, jednoliterową kolumnę i kolumnę charindex. Ta tabela jest zapełniana przez uruchomienie serii zapytań wstawiających, które dzielą każde słowo na litery (używając SELECT SUBSTRING), aby utworzyć tyle wierszy, ile słowo na liście źródłowej ma litery (wiem, to dużo wierszy, ale serwer SQL może obsłużyć miliardy rzędów). Następnie utwórz drugą tabelę z 2-literową kolumną, kolejną tabelą z 3-literową kolumną itd. Końcowe wyniki to seria tabel, które zawierają identyfikatory referencyjne i podciągi każdego słowa, a także odniesienie do ich pozycji w świecie.
Gdy to zrobisz, cała gra polega na powieleniu tych tabel i połączeniu ich z ich duplikatami w zapytaniu wybierającym GROUP BY, które zlicza liczbę dopasowań. Tworzy to serię miar dla każdej możliwej pary słów, które są następnie ponownie agregowane w jedną odległość Levensteina na parę słów.
Technicznie różni się to bardzo od większości innych implementacji odległości Levensteina (lub jej wariantów), więc musisz dogłębnie zrozumieć, jak działa odległość Levensteina i dlaczego została zaprojektowana tak, jak jest. Zbadaj również alternatywy, ponieważ dzięki tej metodzie otrzymasz szereg podstawowych wskaźników, które mogą pomóc w obliczeniu wielu wariantów odległości edycji w tym samym czasie, zapewniając interesujące potencjalne ulepszenia uczenia maszynowego.
Kolejna kwestia wspomniana już we wcześniejszych odpowiedziach na tej stronie: postaraj się jak najwięcej wstępnie przetworzyć, aby wyeliminować pary, które nie wymagają pomiaru odległości. Na przykład para dwóch słów, które nie mają ani jednej wspólnej litery, powinna zostać wykluczona, ponieważ odległość edycji można obliczyć na podstawie długości ciągów. Lub nie mierz odległości między dwiema kopiami tego samego słowa, ponieważ z natury jest ono równe 0. Lub usuń duplikaty przed wykonaniem pomiaru, jeśli lista słów pochodzi z długiego tekstu, prawdopodobnie te same słowa pojawią się więcej niż raz, więc pomiar odległości tylko raz pozwoli zaoszczędzić czas przetwarzania itp.
źródło