Calculadora de similitud de Jaro para dos cadenas

La similitud de Jaro mide cuánto se parecen dos cadenas al localizar caracteres iguales dentro de una distancia limitada y comprobar si conservan un orden compatible. El resultado va de cero, cuando no hay coincidencias válidas, a uno, cuando las cadenas son idénticas. Resulta especialmente útil para nombres cortos, etiquetas, identificadores y otros valores donde una sustitución menor o una transposición no debería descartar automáticamente una posible coincidencia.

Comprenda qué representa la puntuación de Jaro

La similitud de Jaro es una medida basada en caracteres para comparaciones difusas. No calcula cuántas inserciones, eliminaciones o sustituciones convierten un valor en otro. En su lugar, localiza caracteres iguales dentro de una ventana definida por la longitud de la cadena más larga.

Después combina tres proporciones: la parte coincidente de la primera cadena, la parte coincidente de la segunda y la proporción de caracteres emparejados que mantienen un orden compatible. Uno indica identidad según este procedimiento y cero indica que ningún carácter cumplió las condiciones. Los valores intermedios expresan grados de parecido, pero la herramienta no decide cuándo existe una coincidencia.

Usted debe fijar ese umbral según el coste de los falsos positivos y negativos. En nombres, códigos compactos y etiquetas breves, Jaro suele ser útil porque premia los caracteres compartidos y su orden sin tratar cada pequeño desplazamiento como una operación de edición independiente.

Prepare las cadenas e interprete los resultados de forma uniforme

La comparación es exacta y distingue mayúsculas de minúsculas. Las letras en distinta caja se consideran diferentes, y los espacios y signos de puntuación participan en el cálculo. La implementación compara puntos de código Unicode, de modo que muchos emoji suplementarios se procesan como un solo elemento y no como dos unidades UTF-16.

Sin embargo, no normaliza Unicode: un carácter precompuesto puede diferir de una letra base seguida de una marca combinante aunque ambos se vean iguales. Prepare las dos entradas con la misma política si necesita unificar mayúsculas, espacios, acentos o formas Unicode. Mantener esa preparación fuera de la calculadora hace explícito el comportamiento y evita modificar identificadores que deben conservarse literalmente.

Dos cadenas vacías obtienen uno porque son idénticas; una vacía frente a otra no vacía obtiene cero. En comparaciones masivas, aplique el mismo preprocesamiento a toda la colección y documente tanto esa regla como el umbral elegido.

Utilice la puntuación con prudencia en procesos difusos

Una puntuación de Jaro funciona mejor como una evidencia dentro de un proceso de vinculación, no como prueba de que dos registros representan la misma entidad. Empiece con pares etiquetados y representativos de sus propios datos, calcule sus puntuaciones y observe dónde se solapan las coincidencias verdaderas y falsas. Así podrá definir un umbral o una zona de revisión coherente con las consecuencias de cada error.

Para clientes o proveedores, combine la puntuación textual con campos independientes, como un identificador interno estable, una parte verificada de la dirección o una fecha. El método es simétrico: intercambiar la primera y la segunda cadena produce el mismo resultado, una propiedad útil para ordenar candidatos y detectar duplicados. No comprende significados, sinónimos, transliteraciones ni fonética; para textos largos o semejanza semántica conviene otra técnica.