解决文字模糊匹配的小工具

问题

财务分析的表哥表姐们、整理调查问卷的师生们往往需要从表A的某列匹配查找表B的某些数据。如果表A某列完全等于表B某列，或是后者的子集，那么在excel里用vlookup或find类组合函数，或用“*”类通配符根据正则关系，可以轻松地完成这个匹配。

但假如这两列不满足这个条件，即表B某列不包含表A某列，那么简单依靠通配符和正则关系求解则很难奏效。以下图为例：

假设公司简称在表A，而其他几列在表B。我们希望通过公司简称匹配相应的公司全称和其他信息。根据上图我们看到，“万 科 A” 既不完全等于“万科企业股份有限公司”，也不属于后者的子集。“万”和“科”在后者出现过，而“A”则没有。另外再看到“深深房A”，对应的是“深圳经济特区房地产（集团）股份有限公司”。乍一看，“深”和“房”在后者出现过，可是前者怎么有2个“深”？

由上可见，公司简称并不是由公司全称通过单一规则简化而来，因此通配符和正则表达式的方式很难使用。

解决方案

为了解决类似，甚至更复杂的模糊匹配问题，我开发了这个小工具。打开dist文件夹下FuzzyMatch.exe，稍等2秒，按提示输入相应信息如下图所示：

将在dist文件夹下生成一个叫匹配表的文件。

该文件包含两个sheet。一个是匹配关系表。是将表A匹配列去重之后，与表B对应列一一对应的关系表。其中A列是表A的列，B列是表B的列，C列是匹配率，100为完全匹配，D列为表B的对应索引（即行的位置）。如下图我们可以看到，“万 科 A”和“深深房A”这样不规则关系也能匹配出来。

另一个表是匹配数据，相当于表A通过匹配关系表，连接了表B的所有数据，如下图所示：

备注

1. 程序文件夹总大小约71M，运行文件约31M。
2. 整个程序解压即可用，无需安装，不限放置位置(C,D,E,F盘都可以)。但文件夹内的builder和dist两个子文件夹及里面的程序，不要删除或也不要分开放置。
3. 要匹配的表A和表B可以在同一个工作簿，也可以在不同工作簿。
4. 文件名、文件夹名称，可以出现中文、空格之类的字符。
5. 该工具正确率一般98%以上，不保证达到100%。因为工作原理是判断两个字符相似度，当字符A字数较少时，纯靠相似度高低来判断不一定准确。举例： “阳光股份”对应的全称是“阳光新业地产股份有限公司”，但与“阳光城集团股份有限公司”的相似度更高（因为后者字数较少，相似度反而更高）。
6. 当被匹配列行数过多情况下，匹配速度较慢。当表B行数超过4000行，表A1000行左右时，耗时约2分钟。目前正在优化算法，期待下一版本。
7. 程序获取方式：后台回复 模糊匹配 即可。