Jaro-Winkler Distance
La distancia Jaro-Winkler es un refinamiento de la distancia Jaro que pondera los prefijos comunes, haciéndola más apta para comparar cadenas cortas como nombres de persona donde el prefijo importa.
Propósito
Proporciona similitud de cadenas sensible a prefijos para la comparación difusa de nombres y texto corto.
Mecanismo
La distancia Jaro considera el número de caracteres coincidentes y las transposiciones. Jaro-Winkler = Jaro + l×p×(1−Jaro), donde l es la longitud del prefijo común (≤4) y p el peso del prefijo (usualmente 0.1). La salida va de 0 (completamente distinto) a 1 (idéntico).
Casos de uso
- Comparación de nombres y direcciones
- Vinculación de registros
- Corrección ortográfica
- Desduplicación
Ejemplos
- entrada
MARTHA vs MARHTAOutput0.961High similarity
Errores comunes
- Using Jaro-Winkler on long strings (prefix weighting loses significance)
- Use Levenshtein or cosine similarity for long strings
Términos relacionados
Levenshtein Distance
La distancia de Levenshtein es el número mínimo de inserciones, eliminaciones y sustituciones de un solo carácter necesarias para hacer idénticas dos cadenas. GLOSARIO
Hamming Distance
La distancia de Hamming es el número de posiciones en las que difieren los caracteres correspondientes entre dos cadenas de igual longitud; solo se aplica a comparaciones de igual longitud. GLOSARIO
Fuzzy Search
La búsqueda difusa es una técnica de búsqueda tolerante a variaciones ortográficas que empareja resultados aproximados basándose en distancia de edición, n-gramas o algoritmos fonéticos. GLOSARIO