Emparejar dos listas de forma aproximada

Qué es una coincidencia aproximada

Una comparación exacta pregunta: «¿está este valor en la otra lista?». Una coincidencia aproximada plantea la pregunta que uno tiene de verdad: «¿cuál de las entradas de enfrente es esta, escrita de otra manera?» — y responde con una puntuación entre 0 y 100 % en lugar de con un sí o un no.

Si sus dos listas contienen valores idénticos y solo necesita la intersección, la comparación exacta es más rápida y no tiene umbral que ajustar mal.

Tildes perdidas: cifras, no promesas

El caso español por excelencia es la lista a la que se le cayeron las tildes en algún punto de la cadena. Medido con los ajustes de esta página:

• García Hermanos contra Garcia Hermanos — 93 %, coincidencia con el umbral por defecto del 80 %.
• Muñoz contra Munoz — la ñ se comporta como una tilde: en nombres cortos, cada carácter pesa mucho y la puntuación baja. Compruébelo con sus propios datos moviendo el control.
• Añadir o quitar la forma societaria (S.L., SL) apenas cuenta, porque la puntuación se calcula también sobre las palabras ordenadas y sin puntuación.

Estas cifras están aquí porque la puntuación se muestra en cada fila y se recalcula mientras arrastra el control: usted ajusta el umbral sobre sus datos en lugar de adivinarlo.

Tres formas de estar cerca

• Errata. Distancia de edición en la que un intercambio de dos letras cuenta como un error y no dos — la errata más común que existe.
• Orden distinto. El mismo cálculo sobre las palabras ordenadas: Hermanos García y García Hermanos llegan al 100 %.
• Abreviado. Cuánto encaja el valor corto dentro del largo, ponderado por la relación de longitudes — Acme S.L. contra Acme Sociedad Limitada.

Antes de todo eso, ambos lados se recortan, se llevan a una sola caja, se normalizan para caracteres de ancho completo y tildes escritas por separado (Unicode NFKC), y se les quita la puntuación — por eso S.L. y SL llegan iguales al cálculo.

Los números son identificadores, no ortografía

Factura 1001 y Factura 1002 se parecen en un 92 % como texto — y son dos facturas distintas. Un emparejamiento que las une en silencio es peor que ninguno, porque el error es invisible en el resultado. Por eso, cuando ambos valores contienen dígitos y esos dígitos difieren, el par se mantiene por debajo del umbral por muy parecidas que sean las letras. Números de factura, referencias, números de cliente y códigos postales quedan a salvo por defecto.

Nada sale de esta pestaña

Lo que se empareja de forma aproximada son listas de clientes, de proveedores y de personal. Las dos listas las evalúa JavaScript en esta pestaña. No hay ninguna petición que interceptar, registrar ni conservar.