> soundex | 語音編碼 | 模糊比對 <
// Soundex —— 依發音為姓名建立索引的語音演算法
以發音為基礎
依照姓名的發音而非拼寫進行編碼。
模糊比對
可以找出發音相近但寫法不同的姓名。
族譜與歷史
適用於族譜研究、人口普查與歷史檔案查詢。
>> 技術說明
Soundex 的運作原理:
Soundex 會保留姓名的第一個字母，並將其餘子音依照語音分組對應到數字；發音類似的子音會得到相同的數字，而母音則被忽略。American Soundex 產生固定 4 碼的編碼，Refined Soundex 則使用更細緻的分組與可變長度編碼。
編碼規則:
1 = B,F,P,V 2 = C,G,J,K,Q,S,X,Z 3 = D,T 4 = L 5 = M,N 6 = R Robert → R163 Rupert → R163 Rubin → R150
為什麼要用 Soundex？:
- >資料庫去重與模糊搜尋
- >族譜 / 家族史研究
- >人口普查資料分析
- >客戶資訊比對與合併
- >拼寫錯誤偵測與修正
>> 常見問題
什麼是 Soundex？
Soundex 是 1918 年提出的一種語音演算法，用來根據發音為姓名建立索引。最早是為了美國人口普查設計，讓使用者可以在拼寫不同的情況下，依照發音找到相近的姓氏。
American 與 Refined Soundex 有何不同？
American Soundex 產生 4 字元編碼（首字母 + 3 位數字）。Refined Soundex（例如 SQL Server 中採用）使用更細的對應表與可變長度編碼，以提高比對準確度。
為什麼不同的拼寫會出現相同的編碼？
這正是 Soundex 的目的：將發音接近的姓名視為同一群組。像 Smith 和 Schmidt 這樣的姓氏，發音相近，因此會獲得相同或相近的 Soundex 編碼，方便在資料庫中搜尋各種變體。
Soundex 有哪些限制？
Soundex 主要是為英語姓名設計的，對其他語言的姓名表現可能有限；而且若同一姓名的拼寫差異過大，也可能產生不同的編碼。
// 速查表
| Digit | Letters |
|---|---|
| 1 | B F P V |
| 2 | C G J K Q S X Z |
| 3 | D T |
| 4 | L |
| 5 | M N |
| 6 | R |
| — | A E I O U Y H W (skipped) |
// 程式碼範例
1. Keep the first letter. 2. Replace the other letters with digits (table above). 3. Drop vowels and Y; H and W are skipped (letters on both sides of H/W with the same code collapse into one digit). 4. Collapse adjacent identical digits. 5. Pad with 0 or truncate to letter + 3 digits. Robert -> R163 Rupert -> R163 Rubin -> R150 Ashcraft -> A261 Tymczak -> T522 Pfister -> P236
>> 更多問題
問：為什麼 Robert 和 Rupert 的 Soundex 編碼相同？
答：兩者都以 R 開頭，其餘子音按組編碼：B/P → 1、R → 6、T → 3，得 R163。Soundex 把發音相近的子音歸為一組，因此同一姓名的拼寫變體常能相符。
問：Soundex 如何處理 H 和 W？
答：H 和 W 被跳過且不起分隔作用：兩側子音編碼相同時算同一個音。因此 Ashcraft 得 A261 而非 A226。母音則起分隔作用。
問：Soundex 有哪些限制？
答：它為英語姓名設計（Russell 與 Odell 於 1918/1922 年的專利），首字母之後的發音差異不予區分。首字母不同的名字，如 Catherine 與 Katherine，無法相符。