項目のリストはほとんど重複を見つける

Question

excelの中に私はアーティスト、曲、エディションのリストがあります。 このリストには15000を超えるレコードが含まれています。 問題は、リストに「重複」レコードが含まれていることです。彼らは完全なマッチではないので、私は "複製"と言う。いくつかのタイプミスがあり、これを修正してそのレコードを削除したいと考えています。

したがって、たとえばいくつかのレコード：

ABBA - Mamma Mia - Party 
ABBA - Mama Mia! - Official 

各ダッシュは、私はExcelで重複としてマークしますどのように別の列（その3列A、B、Cが記入されている）

を示していますか？

ツールファジールックアップについて知りました。しかし、私はマックに取り組んでいます。マックでは利用できないので、私は立ち往生しています。

正規表現の魔法またはvbaスクリプトで何ができますか？ 行がどれほど似ているかを知ることもできます（たとえば、80％の類似度）。

Answer 1

ファジーテキストマッチングの一般的な方法の1つはLevenshtein（距離）アルゴリズムです。このいくつかの素敵な実装がここにあります。そこから

https://stackoverflow.com/a/4243652/1278553

、あなたはインスタンス間の類似点を見つけるために、スプレッドシート内で直接機能を使用することができます。

あなたが要求していません、ここではデータベースが本当にいいですね。なぜなら、デカルト結合（このための有効な用途は非常に少ない）の1つで、すべてのレコードを他のすべてのレコードと比較することができるからです。たとえば：

select 
    s1.group, s2.group, s1.song, s2.song, 
    levenshtein (s1.group, s2.group) as group_match, 
    levenshtein (s1.song, s2.song) as song_match 
from 
    songs s1 
    cross join songs s2 
order by 
    group_match, song_match 

はい、これはレコード数（あなたの例では2.25億行）に応じて、非常に高価なクエリになりますが、それはトップにバブル最も可能性の高い重複/一致しただろう。それだけでなく、グループが一致したり、ほぼ一致したり、同じ文字で始まり、Levenschteinがより大きいグループをあらかじめフィルタリングしている場合には、明示的な不一致を排除するために「合理的な」結合を組み込むことができますxよりも。

Answer 2

あなたのループ内でこのワークシートfucntionsを試してみてください。

=COUNTIF(Range,"*yourtexttofind*") 

Answer 3

あなたは重複を示すために、配列数式を使用することができ、あなたは行番号を表示するには、以下を変更でき、これはエントリの下の行をチェックします80％が左から右に取られ、全体の比較ではなく、80％の可能性がある任意の二倍である。私のデータはA1です：a15000

=IF(NOT(ISERROR(FIND(MID($A1,1,INT(LEN($A1)*0.8)),$A2:$A$15000))),1,0)

も、最初のエントリすなわち行1の最初の部分であるものが

=SUM(IF(ISERROR(FIND(MID($A2,1,INT(LEN($A1)*0.8)),$A3:$A$15000,1)),0,1))+SUM(IF(ISERROR(FIND(MID($A2,1,INT(LEN($A2)*0.8)),$A$1:$A1,1)),0,1))

見つけ示すために、戻ってリストアップになります。この方法数式と最後の行には最後の部分が必要です+