coefficient de ressemblance

Bonjour,

j'ai quelques petits soucis d'intégrations de données, et il me faudrait un moyen de récupérer un coefficient de ressemblance entre 2 chaînes.

Je m'explique : j'ai un fichier excel de clients avec leur localité, cette localité est saisie à la main dans une interface de gestion commerciale, et lors de l'intégration dans la base oracle, ces localités ne correspondent pas toujours à celle de la table LOC(localité) d'oracle.

exemple dans le fichier excel : j'ai une localité "ST AMAND" et dans la base la localité est de cette forme : "SAINT AMAND".

J'espère avoir été assez clair :)

Merci d'avance.

Il y a bien la fonction SOUNDEX, mais ça ne fonctionne pas avec votre exemple:

Code:

---

select soundex('ST AMAND'),soundex('SAINT AMAND') from dual

---

Il n'y a pas de magie...

A priori il n'existe pas de fonction de ce genre donc j'ai griffoné une petite fonction, avec une syntaxe pl/sql, mais soyez indulgent je viens de découvrir ce dernier :p

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

declare coef int; locali char(10); //sera un enregistrement de la base oracle ville char(10); //sera un élément du fichier excel caractere char; nbcharlocali int; nbchar int; i int; begin locali:='SAINT AMAND'; // juste des valeurs de test ville:='ST AMAND'; nbcharlocali:=Length(locali); nbchar:=Length(ville); for i in 1..nbchar loop caractere:=substr(ville,i,1); if instr(locali, caractere) > 0 then coef:=coef+1; end if; end loop; dbms_output.put_line(coef); end;

---

En gros je garderai la valeur max de ce coef, et donc la localité qui parait la plus pertinente. hélàs...

il me met une erreur sur mon "for", je vois pas trop en quoi il pose problème..
erreur :

Code:

---

1 2 3 4 5 6

ORA-06550: Ligne 16, colonne 40 : PLS-00103: Symbole "FOR" rencontré à la place d'un des symboles suivants :   . ( ) * @ % & - + / at mod remainder rem || multiset Symbole "* inséré avant "FOR" pour continuer.

---

Merci, mais en effet ça ne fonctionne pas sur mon exemple.

Si la liste des ressemblances est connue, il est préférable de les lister pour les utiliser directement, de manière à avoir une équivalence entre "SAINT AMAND" et "ST AMAND", entre "CHAUNE SUR MARNE" et CHAUNE/MARNE" mais pas entre "SAINTELAT" et "STELAT". Dans un de mes stages dans une entreprise de cartographie, les noms étaient stockés dans la base avec toutes ces variations possibles. Cela augmentait le volume d'informations mais accélérait grandement la rapidité des requêtes.

hum, ça pourrait être une solution, mais maintenant que j'ai commencé mon chti bout de code, j'aimerai bien l'exploiter (ralala quelle fierté ces développeurs :mouarf:)

Le problème de ton petit bout de code est qu'il doit faire en sorte que "SAINT AMAND" et "ST AMAND" soient similaires, mais que "PARIS" et "PARVIS" ne se ressemblent pas alors même que le nombre de caractères différents est moindre. Sans stocker en dur les ressemblances à chercher il y aura forcément des effets de bords...

un coef/nbcharlocali peut être ? ça éviterai ce genre de soucis.

En tout cas, la liste des localités sera limité par le code postal avant d'appeler la fonction. Après s'il reste plusieurs localité ce sera à l'utilisateur de choisir le bon, mais la liste sera toujours plus pertinente.

Stocker les ressemblances en dur, d'une ça va être très long, et de deux ça risque de prendre vraiment beaucoup de place, la table des localités contient plus de 55000 enregistrements déjà...

Sinon vous voyez comment corriger l'erreur ? car je patauge là :bug:

J'ai réussi à corriger l'erreur, pas grand chose comme d'habitude...

Merci de votre aide en tout cas, j'espère ne pas avoir à revenir vous embêter :mouarf:

Cette discussion référence l'algorithme de la distance de Levenhstein et peut être intéressant avec un exemple en PL/SQL.