Jaro-Ähnlichkeit zweier Zeichenfolgen berechnen

Die Jaro-Ähnlichkeit misst, wie ähnlich sich zwei Zeichenfolgen sind. Dazu sucht sie übereinstimmende Zeichen innerhalb eines begrenzten Abstands und prüft, ob diese Zeichen in einer vergleichbaren Reihenfolge stehen. Das Ergebnis reicht von null, wenn keine gültigen Übereinstimmungen vorliegen, bis eins bei identischen Zeichenfolgen. Das Verfahren eignet sich besonders für kurze Namen, Bezeichnungen, Kennungen und andere Werte, bei denen eine kleine Ersetzung oder Vertauschung einen möglichen Treffer nicht automatisch ausschließen soll.

Verstehen Sie die Aussage des Jaro-Werts

Die Jaro-Ähnlichkeit ist ein zeichenbasiertes Maß für unscharfe Vergleiche. Sie ermittelt nicht, wie viele Einfügungen, Löschungen oder Ersetzungen erforderlich wären, um einen Wert in den anderen umzuwandeln. Stattdessen sucht sie gleiche Zeichen in einem Vergleichsfenster, dessen Größe von der längeren Zeichenfolge abhängt.

Anschließend verbindet sie drei Anteile: den übereinstimmenden Teil der ersten Zeichenfolge, den entsprechenden Teil der zweiten und den Anteil der zugeordneten Zeichen, deren Reihenfolge kompatibel bleibt. Ein Ergebnis von eins steht nach diesem Verfahren für identische Zeichenfolgen; null bedeutet, dass kein Zeichen die Bedingungen für eine Zuordnung erfüllt hat. Werte dazwischen beschreiben unterschiedliche Ähnlichkeitsgrade, doch die Funktion erklärt keinen bestimmten Wert automatisch zum Treffer.

Diesen Grenzwert sollten Sie anhand der Folgen falsch positiver und falsch negativer Entscheidungen bestimmen. Namen, kompakte Codes und kurze Katalogbezeichnungen profitieren häufig von Jaro, weil gemeinsame Zeichen und ihre Reihenfolge gewichtet werden, ohne jede kleine Verschiebung als vollständig getrennte Bearbeitungsoperation zu behandeln.

Bereiten Sie Zeichenfolgen einheitlich vor

Der Vergleich erfolgt exakt und unterscheidet Groß- und Kleinschreibung. Unterschiedlich geschriebene Buchstaben gelten als verschiedene Zeichen; Leerzeichen und Satzzeichen fließen ebenfalls in die Berechnung ein. Die Implementierung vergleicht Unicode-Codepunkte.

Deshalb werden beispielsweise viele ergänzende Emoji als ein Vergleichselement statt als zwei UTF-16-Einheiten behandelt. Eine Unicode-Normalisierung findet jedoch nicht statt: Ein vorgefertigtes Zeichen kann sich von einem Grundzeichen mit nachfolgendem Kombinationszeichen unterscheiden, obwohl beide gleich aussehen. Bereiten Sie beide Eingaben vor dem Aufruf nach denselben Regeln vor, falls Ihr Ablauf Schreibweise, Leerraum, Akzente oder Unicode-Formen vereinheitlichen soll.

Indem diese Entscheidungen außerhalb des Rechners bleiben, ist das Verhalten nachvollziehbar und Kennungen werden nicht unbemerkt verändert. Zwei leere Zeichenfolgen ergeben eins, da sie identisch sind; eine leere und eine nicht leere Zeichenfolge ergeben null. Verwenden Sie bei großen Datenbeständen eine einheitliche Vorverarbeitung für die gesamte Sammlung und dokumentieren Sie diese gemeinsam mit dem gewählten Grenzwert.

Setzen Sie den Wert in Abgleichsprozessen umsichtig ein

Ein Jaro-Wert eignet sich als Hinweis in einem Zuordnungsprozess, nicht als Beweis dafür, dass zwei Datensätze dieselbe Entität beschreiben. Beginnen Sie mit repräsentativen, gekennzeichneten Paaren aus Ihren eigenen Daten. Berechnen Sie deren Werte und untersuchen Sie, wo sich tatsächliche und fälschliche Treffer überschneiden.

Danach können Sie einen Grenzwert oder einen Prüfbereich wählen, der zu den Folgen einer Fehlentscheidung passt. Kombinieren Sie bei Kunden- oder Lieferantendaten den Textwert mit unabhängigen Merkmalen, etwa einer stabilen internen Kennung, einem bestätigten Adressbestandteil oder einem Datum. Das Verfahren ist symmetrisch: Wenn Sie die erste und zweite Zeichenfolge vertauschen, bleibt das Ergebnis gleich.

Dadurch eignet es sich zum Sortieren von Kandidaten und zur Duplikaterkennung. Es betrachtet Nähe und Reihenfolge von Zeichen, versteht aber weder Bedeutung noch Synonyme, Transliteration oder Aussprache. Für längere Texte oder semantische Vergleiche ist ein anderes Verfahren besser geeignet.