Unión de inexactos

Información de concepto

Comando FUZZYJOIN

Una unión de inexactos de Analytics utiliza la correspondencia inexacta de los valores del campo clave para combinar dos tablas de Analytics en una tercera tabla. En la mayoría de los aspectos, una unión de inexactos es como una unión de Analytics común (consulte Unir tablas). La principal diferencia es que, además de unir los registros basándose en los valores de los campos clave con una correspondencia exacta, una unión de inexactos puede unir registros que tienen una correspondencia aproximada.

La unión de inexactos es útil cuando las claves primaria y secundaria contienen el mismo tipo de datos, pero con leves diferencias de forma. O si los datos de los campos clave tienen pequeñas irregularidades, como errores de tipeo, que podrían impedir una correspondencia exacta.

Ejemplo

Escenario

Desea identificar a los proveedores que también son empleados como una de las formas de analizar datos para posibles pagos inadecuados.

Enfoque

Usted une la tabla maestra Vendor (Proveedores) con la tabla Employees (Empleados) utilizando el campo de domicilio como la clave común (Vendor_Street y Emp_Address). Sin embargo, la forma de los datos de domicilio en los campos clave tienen leves diferencias; por eso, utiliza una unión de inexactos en lugar de una unión común.

Una mirada a algunos de los datos

Sin un trabajo significativo de limpieza y unificación de los datos, sería imposible unir los valores de clave primaria y secundaria que se muestran a continuación utilizando una unión común de Analytics, aun cuando los domicilios son bastante similares.

Valores de clave primaria Valores de clave secundaria
605 3rd Avenue 605 Third Avenue
400 High St SE 400 High Street S.E.
2203 Rowan Street 2203 Rowen St

Aunque se realizara una limpieza y unificación de los datos, los valores clave con diferencias mínimas de ortografía, como "Rowan" y "Rowen", probablemente no coincidirían.

Los valores clave podrían unirse con una unión de inexactos, según la configuración que se utilice.

Resultados de la salida

En el ejemplo de la tabla unida a continuación, las correspondencias exactas de los campos clave se destacan en violeta y las correspondencias inexactas de los campos clave, en verde.

Comparación entre unión de inexactos y duplicados inexactos

Una unión de inexactos analiza los valores de los campos clave de dos tablas. Si desea comprobar un campo único en una tabla única de Analytics para detectar valores casi idénticos, consulte Análisis de los falsos duplicados.

Mejorar la efectividad de la unión de inexactos

Puede mejorar significativamente la efectividad de la unión de inexactos incorporando una o más de las siguientes técnicas:

  • ordenar los elementos individuales en los valores del campo clave primario y secundario
  • quitar los elementos genéricos de los valores del campo clave primario y secundario
  • armonizar los valores del campo clave primario y secundario

Estas técnicas le permiten usar ajustes de inexactitud más estrictos y obtener las mismas coincidencias inexactas, al tiempo que se reduce la cantidad de coincidencias falso positivas. Puede usar las técnicas de manera independiente o combinadas.

Crear una expresión o un campo calculado

Para usar cualquiera de estas técnicas, debe crear una expresión o un campo calculado usando la función adecuada de Analytics y uno o ambos campos clave.

Si desea obtener más información sobre las expresiones, consulte Utilizar expresiones.

Si desea obtener más información acerca de los campos calculados, consulte Campos calculados.

Nota

El cuadro de diálogo Unir inexactos no permite crear una expresión en un campo clave secundario. Sin embargo, puede crear manualmente una expresión de campo clave secundario en la línea de comandos de Analytics o en un script. Otra opción consiste en crear un campo calculado para usarlo como campo clave secundario.

Ordenar los elementos individuales en los valores del campo clave

La función SORTWORDS( ) puede mejorar la efectividad de la unión de inexactos ordenando secuencialmente los elementos individuales del campo clave primario y secundario.

Ordenar los elementos, como los componentes de una dirección, puede hacer que los valores del campo con la misma información, pero con un formato diferente, se asemejan más entre sí. Una mayor semejanza mejora las posibilidades de que los valores del campo clave sean seleccionados como duplicados inexactos.

Si desea obtener más información, consulte Función SORTWORDS( ).

Si desea ver un video con una descripción general de SORTWORDS( ), vea Fuzzy Matching Using SORTWORDS() (Coincidencias inexactas con SORTWORDS()) (solo disponible en inglés).

Nota

Ordenar los elementos de los valores del campo clave es más conveniente para unir inexactos utilizando el algoritmo de distancia de Levenshtein.

Ordenar los elementos al unir inexactos con el algoritmo del coeficiente de Dice puede no ser beneficioso. Pruebe un conjunto de datos de muestra antes de decidir si usar SORTWORDS( ) junto con el algoritmo del coeficiente de Dice en un entorno de producción.

¡Precaución!

Si usa SORTWORDS( ) junto con la unión de inexactos, debe aplicar SORTWORDS( ) a ambas cadenas o ambos campos que se comparan.

Quitar elementos genéricos de los valores del campo clave

La función OMIT( ) puede mejorar la efectividad de la unión de inexactos quitando los elementos genéricos, como "Corporation" o "Inc.", o los caracteres como comas, puntos y símbolos "&", de los valores del campo clave primario y secundario.

La eliminación de los elementos genéricos y la puntuación centra la correspondencia inexacta únicamente en la parte de los valores del campo clave donde puede haber una diferencia significativa.

Si desea obtener más información, consulte Función OMIT( ).

Armonizar los valores del campo clave

Las funciones REPLACE( ) o REGEXREPLACE( ) pueden mejorar la efectividad de la unión de inexactos armonizando las diferentes formas del mismo elemento en los valores del campo primario y secundario. Por ejemplo, puede armonizar "Street", "St." y "St" para utilizar siempre el valor "St".

Armonizar los elementos puede hacer que los valores del campo clave con la misma información, pero un formato diferente, se asemejen más entre sí. Una mayor semejanza mejora las posibilidades de que los valores del campo clave sean seleccionados como duplicados inexactos.

Si desea obtener más información, consulte Función REPLACE( ) para realizar reemplazos directos y Función REGEXREPLACE( ) para realizar reemplazos más complejos.

Tamaño de la tabla de salida y rendimiento del comando

Tamaño de la tabla de salida

La unión de inexactos es similar a la unión de muchos a muchos de Analytics. En principio, todos los valores clave primarios podrían tener una correspondencia con todos los valores clave secundarios. El tamaño de la tabla de salida puede ser muchas veces mayor que el tamaño de cualquiera de las tablas de entrada primaria o secundaria.

Desempeño del comando

Los algoritmos de correspondencia inexacta se aseguran de que solo se unan los valores clave que tienen un grado específico de imprecisión o los valores con una correspondencia exacta. Sin embargo, se deben probar todas las posibles correspondencias primarias. Esto significa que el proceso de unión de inexactos puede llevar mucho tiempo. La cantidad de pruebas individuales que se deben realizar es igual a la cantidad de registros de la tabla primaria por la cantidad de registros de la tabla secundaria.

Limitar la coincidencia a la primera correspondencia secundaria

Puede reducir significativamente el tiempo de procesamiento y reducir el tamaño de los resultados de la salida seleccionando Unir únicamente la primera instancia de las correspondencias clave secundarias. Al activar esta opción, se especifica que cada valor clave primario se une exclusivamente a la primera instancia de cualquier valor clave secundario.

La activación de esta opción es adecuada en cualquiera de las siguientes situaciones:

  • ¿Hay alguna correspondencia? Solo desea saber si existe alguna correspondencia, exacta o inexacta, entre dos tablas, y desea reducir el tiempo de procesamiento necesario para identificar todas las correspondencias.
  • Una correspondencia como máximo está seguro de que existe como máximo una correspondencia en la tabla secundaria para el valor de clave primaria.

Esta opción no es adecuada si necesita obtener resultados que contengan todas las uniones posibles entre los valores de clave primaria y secundaria.

Nota

Si selecciona Unir únicamente la primera instancia de las correspondencias clave secundarias y la primera instancia de una correspondencia es exacta, las correspondencias inexactas posteriores del valor clave primario no se incluyen en la tabla de salida unida.

Mejores prácticas

Al preparar las tablas de entrada primaria y secundaria, y especificar el nivel de inexactitud, tenga en cuenta el tamaño de la tabla de salida y el desempeño del comando.

  • Adapte los datos Asegúrese de que se incluyan únicamente los registros pertinentes en las tablas primaria y secundaria. Si algunos registros no tienen probabilidades de tener una correspondencia, quítelos con un filtro antes de realizar la unión de inexactos.
  • Pruebas de ensayo Si tiene conjuntos de datos de gran volumen, realice pruebas de ensayo con una pequeña parte de los datos para determinar de forma más eficiente los ajustes de los algoritmos de la unión de inexactos. Comience con un ajuste de inexactos más conservador y, si es necesario, hágalo progresivamente más laxo.

Algoritmos de correspondencia de inexactos

Al realizar una unión de inexactos, debe escoger entre dos algoritmos de correspondencia de inexactos diferentes:

  • Coeficiente de Dice
  • Distancia de Levenshtein

Los algoritmos actúan de manera independiente entre sí y pueden generar resultados algo distintos. Un enfoque consiste en realizar una unión de inexactos dos veces, una vez con cada algoritmo, y después comparar los resultados. En general, en cada conjunto de resultado existe una cantidad de correspondencias inexactas que se superponen, pero algunos resultados pueden ser exclusivos de cada conjunto de resultados.

Grado de inexactitud

Usted especifica el grado de inexactitud de cada algoritmo, lo cual puede modificar drásticamente el tamaño y la conformación del conjunto de resultados. El "grado de inexactitud" se relaciona con el nivel de coincidencia entre dos valores.

Según el algoritmo que seleccione, utilizará los siguientes ajustes para controlar el grado de inexactitud:

Algoritmo Ajuste

Coeficiente de Dice
  • N-grama
  • Porcentaje

Distancia de Levenshtein
  • Distancia

Haga pruebas con diferentes grados de inexactitud. Comience de manera conservadora y genere conjuntos de resultados más pequeños. A continuación, haga los ajustes progresivamente más laxos hasta que comience a obtener demasiados valores unidos que obviamente no son correspondencias (falsos positivos).

Coeficiente de Dice

El algoritmo del coeficiente de Dice mide el grado de similitud entre un valor clave primario y uno secundario, utilizando una escala de 0,0000 a 1,0000. Cuanto mayor sea el coeficiente de Dice de los dos valores, mayor será su similitud.

Coeficiente de Dice Significado
1,0000

Cada valor está conformado por un conjunto de caracteres idéntico, aunque estos puedan estar en un orden diferente y presentar diferencias en el uso de mayúsculas y minúsculas.

Los n-gramas de los dos valores son 100 % idénticos.

A continuación, se explican los N-gramas.
0,7500

Los n-gramas de los dos valores son 75 % idénticos.
0,0000 Los dos valores no tienen n-gramas idénticos, o la longitud especificada en el ajuste del N-grama es superior al más corto de los dos valores que se están comparando.

N-gramas

El coeficiente de Dice se calcula dividiendo primero los valores que se están comparando en n-gramas. Los N-gramas son bloques superpuestos de caracteres, con una longitud de n, que es la longitud que usted especifica en el ajuste N-grama.

Aquí se incluyen dos de los valores del ejemplo anterior divididos en n-gramas con una longitud de 2 caracteres (n = 2).

2203 Rowan Street 22 | 20 | 03 | 3_ | _R | Ro | ow | wa | an | n_ | _S | St | tr | re | ee | et
2203 Rowen St 22 | 20 | 03 | 3_ | _R | Ro | ow | we | en | n_ | _S | St

El coeficiente de Dice representa el porcentaje de n-gramas de los dos valores que son idénticos. En este caso, 20 de 28 n-gramas son idénticos, lo que equivale a 71,43 %, o a 0,7143 en una expresión decimal.

Nota

El incremento de la longitud en el ajuste N-grama hace que el criterio para la similitud entre dos valores sea más estricto.

Porcentaje

Al especificar un ajuste de Porcentaje, está especificando el coeficiente de Dice mínimo permitido entre dos valores para que se los considere una correspondencia inexacta. Por ejemplo, si especifica 0,7500, al menos el 75 % de los n-gramas de los dos valores deben ser idénticos para que haya una correspondencia.

Ajuste del porcentaje Significado 2203 Rowan Street / 2203 Rowen St
0,7500

Para que se considere una correspondencia inexacta, al menos el 75 % de los n-gramas de los dos valores deben ser idénticos.

Sin correspondencia, no se incluyen en la tabla unida

(Coeficiente de Dice = 0,7143)
0.7000

Para que se considere una correspondencia inexacta, al menos el 70 % de los n-gramas de los dos valores deben ser idénticos.

Con correspondencia, se incluyen en la tabla unida

(Coeficiente de Dice = 0,7143)

Si desea obtener información detallada sobre el funcionamiento del coeficiente de Dice, consulte Función DICECOEFFICIENT( ).

Distancia de Levenshtein

El algoritmo de la distancia de Levenshtein mide el grado de diferencia entre el valor clave primario y el secundario, en una escala de números enteros que comienza en 0. La escala representa el número de ediciones de caracteres individuales requerido para hacer que un valor sea idéntico a otra. Mientras mayor sea la distancia de Levenshtein entre dos valores, mayor será la diferencia entre ellos.

Distancia de Levenshtein Significado
0 Cada valor está conformado por un conjunto de caracteres idéntico, en el mismo orden. El uso de mayúsculas y minúsculas puede ser diferente.
2

Se necesitan dos ediciones de caracteres individuales para que los dos valores sean idénticos.

Por ejemplo: "Smith" y "Smythe"

  • edición 1 reemplazar la 'i' por la 'y'
  • edición 2 insertar la 'e'
3

Se necesitan tres ediciones de caracteres individuales para que los dos valores sean idénticos.

Por ejemplo: "Hanssen" y "Jansn"

  • edición 1 reemplazar la 'J' por la 'H'
  • edición 2 eliminar la 's'
  • edición 3 eliminar la 'e'

Distancia

Al especificar un ajuste de Distancia, está especificando la distancia de Levenshtein máxima permitida entre dos valores para que se los considere una correspondencia inexacta. Por ejemplo, si especifica 2, no se necesitan más de dos ediciones para que los valores sean idénticos.

Ajuste de la Distancia Significado Hanssen / Jansn
2

Para que se considere una correspondencia inexacta, no se deben necesitar más de dos ediciones de caracteres para que los valores sean idénticos.

Sin correspondencia, no se incluyen en la tabla unida

(Distancia de Levenshtein = 3)
3

Para que se considere una correspondencia inexacta, no se deben necesitar más de tres ediciones de caracteres para que los valores sean idénticos.

Con correspondencia, se incluyen en la tabla unida

(Distancia de Levenshtein = 3)

Si desea obtener información detallada acerca del funcionamiento de la distancia de Levenshtein, consulte Función LEVDIST( ). A diferencia de la función, el algoritmo de la distancia de Levenshtein que se utiliza en la unión de inexactos recorta automáticamente los espacios en blanco iniciales y finales, y no distingue entre mayúsculas y minúsculas.

Pasos

Puede usar la correspondencia inexacta de los valores del campo clave para combinar dos tablas de Analytics en una tercera tabla.

  1. En el navegador, abra la tabla primaria, haga clic con el botón derecho en la tabla secundaria y seleccione Abrir como secundaria.

    Los iconos de las tablas primaria y secundaria se actualizan con los números 1 y 2 para indicar su relación entre ellas .

  2. Seleccione Datos > Unir inexactos.
  3. En la ficha Principal seleccione el algoritmo de correspondencia inexacta que desea utilizar:
    • Coeficiente de Dice
    • Levenshtein
  4. Según el algoritmo que seleccionó, proporcione los ajustes para controlar el grado de inexactitud.

    Coeficiente de Dice

    • N-grama
    • Porcentaje

    Levenshtein

    • Distancia

    Los ajustes se explican a continuación.

  5. (Opcional) Seleccione Unir únicamente la primera instancia de las correspondencias clave secundarias para especificar que cada valor clave primario se una exclusivamente a la primera instancia de cualquier valor clave secundario correspondiente.
  6. Seleccione el campo clave principal de la lista Claves primarias.

    Solo puede seleccionar un campo clave primario y debe ser un campo de caracteres.

  7. Seleccione el campo clave secundario de la lista Claves secundarias.

    Solo puede seleccionar un campo clave secundario y debe ser un campo de caracteres.

  8. En las listas Campos primarios y Campos secundarios, seleccione los campos que desea incluir en la tabla unida.

    Nota

    Debe seleccionar explícitamente los campos de clave primaria y secundaria si desea incluirlos en la tabla unida.

    Consejo

    Puede presionar Ctrl+clic para seleccionar varios campos no adyacentes y Mayús+clic para seleccionar varios campos adyacentes.

  9. En el cuadro de texto En, especifique el nombre de la nueva tabla unida.
  10. (Opcional) En la ficha Más:
    1. Si solo desea procesar un subconjunto de registros, seleccione una de las opciones del panel Alcance.
    2. Si desea anexar (agregar) los resultados de salida al final de una tabla de Analytics existente, seleccione Anexar a archivo existente.
  11. Haga clic en Aceptar.

    La nueva tabla unida se envía a la salida.

Opciones del cuadro de diálogo Unir inexactos

Las tablas a continuación proporcionan información detallada acerca de las opciones del cuadro de diálogo Unir inexactos.

Ficha Principal

Opciones: Cuadro de diálogo Unir inexactos Descripción
Coeficiente de Dice

Use el coeficiente de Dice para obtener correspondencias inexactas entre los valores clave primario y secundario.

  • N-grama la longitud del ngrama que se debe usar

    Especifique un número entero, 1 o superior. El incremento de la longitud n-grama hace que el criterio para la similitud entre ambas cadenas sea más estricto.

  • Porcentaje el coeficiente de Dice mínimo permitido de dos valores para que se los considere como correspondencias inexactas

    Especifique una fracción decimal, de 0,0000 a 1,0000 (por ejemplo: 0,7500). Utilice un máximo de cuatro lugares decimales.

    Al reducir el valor, aumenta la cantidad de correspondencias porque se incluyen correspondencias con un mayor grado de inexactitud; es decir, valores que difieren más entre sí.
Levenshtein

Use la distancia de Levenshtein para obtener correspondencias inexactas entre los valores clave primario y secundario.

  • Distancia la máxima distancia de Levenshtein permitida entre dos cadenas para que se las considere una correspondencia inexacta

    Especifique un número entero, 1 o superior.

    Al incrementar el valor, aumenta la cantidad de correspondencias porque se incluyen correspondencias con un mayor grado de inexactitud; es decir, valores que difieren más entre sí.
Unir únicamente la primera instancia de las correspondencias clave secundarias

Especifica que cada valor clave primario se une exclusivamente a la primera instancia de cualquier clave secundaria correspondiente.

Si deja la opción sin marcar, el comportamiento predeterminado es unir cada valor de clave primaria con todas las instancias de cualquier correspondencia de clave secundaria.
Tabla secundaria Un método alternativo de seleccionar la tabla secundaria.
Claves primarias

Claves secundarias

 Especifica el campo clave común a usar para unir las dos tablas.
  • Puede seleccionar el campo clave común directamente en las listas Claves primarias y Claves secundarias.
  • También puede hacer clic en Claves primarias o Claves secundarias para abrir el cuadro de diálogo Campos seleccionados donde puede seleccionar el campo clave común, o crear una expresión en base a la clave primaria.

Pautas para campo clave:

  • Tipo de datos Los campos clave deben tener un tipo de datos de carácter.
  • Longitud Si los campos clave de caracteres no tienen la misma longitud, se unifican automáticamente.
  • Nombres y posiciones de inicio Los nombres de campos clave y las posiciones de inicio pueden ser diferentes, pero deben describir el mismo elemento de datos.
  • Varios campos clave Solo se admite un campo clave por tabla.
Campos primarios

Campos secundarios

 Especifica los campos que se incluirán en la tabla unida.
  • Puede seleccionar campos directamente en las listas Campos primarios y Campos secundarios.
  • También puede hacer clic en Campos primarios o Campo secundarios para abrir el cuadro de diálogo Campos seleccionados donde puede seleccionar los campos, o crear una expresión en base a uno o más campos primarios.
  • El orden en que seleccione los campos primario y secundario determina el orden de los campos en la tabla unida resultante.

    Como grupo, los campos primarios aparecen antes que los campos secundarios en la tabla unida.
Utilizar la tabla de salida Especifica si una tabla de Analytics que contiene resultados de salida se abre automáticamente al finalizar la operación
Si

(Opcional) Le permite crear una condición para excluir registros del procesamiento.

  • Puede introducir una condición en el cuadro de texto Si o hacer clic en Si para crear un enunciado IF utilizando el Generador de expresiones.
  • La condición puede hacer referencia a la tabla primaria o a la secundaria, o a ambas.

    Nota

    Para acceder a los campos de la tabla secundaria en el Generador de expresiones, seleccione la tabla secundaria en la lista desplegable De tabla.

    La condición Si se evalúa únicamente con los registros que quedan en una tabla después de aplicar las opciones de alcance (Primeros, Siguientes y Mientras).
En Especifica el nombre y la ubicación de la tabla de salida.
  • Para guardar la tabla de salida en la carpeta del proyecto de Analytics, ingrese solo el nombre de la tabla.
  • Para guardar la tabla de salida en una ubicación diferente a la carpeta del proyecto, especifique una ruta de acceso absoluta o relativa, o haga clic en En y navegue a una carpeta diferente.

    Por ejemplo: C:\Resultados\Salida.fil o Resultados\Salida.fil.

Independientemente del lugar en que guarde la tabla de salida, esta se agrega al proyecto abierto si ya no está en el proyecto.

Si Analytics pre-completa un nombre de tabla, puede aceptar el nombre pre-completado o cambiarlo.

Ficha Más

Opciones: Cuadro de diálogo Unir inexactos Descripción
Panel de alcance Especifica qué registros en la tabla primaria son procesados:
  • Todos (predeterminado) se procesan todos los registros en la tabla primaria.
  • Primero - seleccione esta opción e introduzca un número en el cuadro de texto para comenzar el procesamiento en el primer registro en la tabla principal e incluir solo el número especificado de registros.
  • Siguiente - seleccione esta opción e introduzca un número en el cuadro de texto para comenzar el procesamiento en el registro actualmente seleccionado en la vista de la tabla principal e incluir solo el número especificado de registros.

    El número de registro real en la columna más a la izquierda debe ser seleccionado, no datos en la fila.

  • Mientras - Seleccione esta opción para usar un enunciado WHILE para limitar el procesamiento de registros en la tabla principal basándose en un criterio.
    • Usted puede introducir una condición en el cuadro de texto Mientras, o hacer clic en Mientras para crear un enunciado WHILE utilizando Generador de expresiones.
    • Un enunciado WHILE permite que los registros principal sean procesados solo mientras la condición especificada se evalúe como verdadera.
    • Puede utilizar la opción Mientras junto con las opciones Todos, Primero o Siguiente. El procesamiento de registros se detiene en cuanto se alcanza un límite.

Nota

El número de registros especificados en las opciones Primero o Siguiente hace referencia tanto al orden físico como al orden indexado de los registros de una tabla y hace caso omiso de cualquier filtrado u ordenación rápida aplicados a la vista. Sin embargo, los resultados de las operaciones analíticas respetan cualquier filtrado.

Si a una vista se aplica ordenación rápida, Siguiente se comporta como Primero.
Anexar al archivo existente Especifica que los resultados de salida se anexan (agregan) al final de una tabla de Analytics existente.

Nota

Se recomienda dejar Anexar a archivo existente sin seleccionar si no está seguro de que los resultados de la salida y la tabla existente tengan una estructura de datos idéntica.

Si desea más información acerca de la anexión y la estructura de datos, consulte Anexión de resultados de la salida a una tabla existente.
Aceptar Ejecuta la operación.
  • Si está uniendo campos clave de caracteres de diferentes longitudes, aparece un mensaje que indica que Analytics intentará unificar los campos.
  • Si aparece el mensaje de sobrescritura, seleccione la opción adecuada.

    Si espera que aparezca la opción Anexar, pero esta no aparece, haga clic en No para cancelar la operación y consulte Anexión de resultados de la salida a una tabla existente.