Postgresql levenshtein距离群

我有postgreSQL 9.2

我的任务是在表中查找相似的名称（受一些levenshtain距离的限制）

例如，距离为3，表中有数据：

|           name            |
|***************************|
|       Marcus Miller       |
|       Marcos Miller       |
|       Macus Miler         |
|       David Bowie         |
|       Dave Grohl          |
|       Dav Grol            |
|           ...             |

我想得到的结果如下：

|       Marcus Miller, Marcos Miller, Macus Miler       |
|       Dave Grohl, Dav Grol                            |
|           ...                                         |

或

我试过这个：

SELECT a.name, b.name
FROM my_table a
JOIN my_table b ON b.id < a.id AND levenshtein(b.name, a.name) < 3;

选择a.name，b.name
从我的桌子a
在b.id

---

但是我的数据太慢了。

你的问题在概念上有重大错误

groupby

将某些（在数学意义上）作为参数，并将其用于SQL关系

问题是，您描述的关系，即“两个字符串在彼此的特定编辑距离内”，不是等价关系。它是对称的和自反的，但不是传递的。举例来说，如果我向您的数据集中添加了一系列名称，这些名称将“Marcus Miller”变形为“Dave Grohl”，并且该系列中的每个名称都在与前一个名称的编辑距离之内，那么答案应该是什么

---

然而，有一些算法使用非等价关系（如几何距离）来划分数据集。是最著名的例子之一。也许有一种方法可以适应k-means或类似于这个问题的东西，我不知道。

groupbyidea是一个非启动的想法-选择Select\u levenshtein\u Group\u func\u（'Marcus Miller'，3）be的输出是什么？换句话说：你可以有3个名字a，b和c，这样从a到b的Levenshtein距离是3，从b到c的距离是3；因此组将是（a，b），（b，a，c）和（c，b）-SQL Group By无法将同一条目放入多个组中，因此无法生成该结果。顺便说一句，您的模拟查询也不正确，

HAVING

子句应为

HAVING count（*）>1

，如

count（grouped\u列）

的定义总是1。为什么

的计数（分组列）

总是1？例如，查询

按COUNT（name）>1的名称从用户组中选择名称

返回用户名，用户名不是唯一的。嗯，你说得对，它会，因为

COUNT（name）

统计组中

name

的非空值的数量，即使它们都是相同的（与

COUNT（DISTINCT name）

相反，COUNT（DISTINCT name）总是1）

COUNT（1）

或

COUNT（*）

将是相同的，除非

name

中存在

NULL

值，并且对读者来说更为明显

COUNT（某些函数（名称））

特别不直观，因为该函数通常不相关。使用levenstein无法做到这一点，请查看@lpsmith对原因的回答。但是，如果要按所有听起来相似的名称进行分组，可以使用

soundex（）

或

metaphone（）

函数（位于同一模块中）

SELECT a.name, b.name
FROM my_table a
JOIN my_table b ON b.id < a.id AND levenshtein(b.name, a.name) < 3;