Ερωτήσεις · Αφαίρεση διπλοεγγραφών

Το Excel δεν βρίσκει τα διπλότυπα: γιατί, και τι να κάνω;

Τι κάνει πραγματικά η «Κατάργηση διπλοτύπων»

Η λειτουργία συγκρίνει το περιεχόμενο των κελιών που επιλέγετε, στήλη προς στήλη, χαρακτήρα προς χαρακτήρα. Βρίσκει την πανομοιότυπη γραμμή: ίδιο κείμενο, ίδια κεφαλαία, ίδια κενά. Ό,τι αποκλίνει έστω και σε μια λεπτομέρεια δεν θεωρείται ίδιο, και η γραμμή μένει στο αρχείο σαν να ήταν άλλο πρόσωπο.

Στην πράξη αρκεί ελάχιστο για να αποτύχει η σύγκριση: ένα κενό παραπάνω μετά τον αριθμό, «Παπαδόπουλος Γιώργος» αντί για «Γιώργος Παπαδόπουλος», «Λεωφ. Συγγρού» στη θέση του «Λεωφόρος Συγγρού», ο ταχυδρομικός κώδικας «17674» στη μία γραμμή και «176 74» στην άλλη. Είναι συνηθισμένες περιπτώσεις, έτσι γράφουν οι άνθρωποι ένα αρχείο. Όποιος καταχώρισε τη δεύτερη γραμμή έγραψε τις ίδιες πληροφορίες με τα δικά του λόγια, σε άλλη στιγμή, ίσως από άλλη φόρμα.

Το ίδιο όριο αφορά τους τύπους που συγκρίνουν με το χέρι δύο στήλες, ή ένα VLOOKUP/MATCH σε όνομα και διεύθυνση: είναι έτσι κι αλλιώς σύγκριση κειμένου, και το κείμενο δύο πραγματικών διπλοεγγραφών σχεδόν ποτέ δεν συμπίπτει χαρακτήρα προς χαρακτήρα.

Γιατί δύο γραμμές που μοιάζουν διαφορετικές είναι συχνά το ίδιο πρόσωπο

• Κεφαλαία, τόνοι και κενά. «ΠΑΠΑΔΟΠΟΥΛΟΣ ΓΙΩΡΓΟΣ» και «Παπαδόπουλος Γιώργος » (με ένα κενό στο τέλος) είναι για το Excel δύο διαφορετικά κείμενα.
• Συντομογραφίες της οδού. «Λεωφ. Συγγρού 364» και «Λεωφόρος Συγγρού, 364» δεν έχουν ούτε ένα γράμμα ίδιο στη σωστή θέση.
• Επώνυμο και όνομα αντεστραμμένα. Μια εισαγωγή με τις στήλες ανταλλαγμένες παράγει «Παπαδόπουλος Γιώργος» δίπλα σε «Γιώργος Παπαδόπουλος», και κανένας από τους συνηθισμένους τύπους δεν τα φέρνει κοντά.
• Ισοδύναμα ονόματα. «Γ. Παπαδόπουλος» και «Παπαδόπουλος Γεώργιος» δεν μοιράζονται ούτε καν το όνομα ολόκληρο.
• Ταχυδρομικός κώδικας γραμμένος αλλιώς ή μόνο σε μία γραμμή. «17674», «176 74» και «GR-17674» είναι τρία διαφορετικά κείμενα, και ένα κενό κελί αρκεί για να σπάσει μια ακριβή σύγκριση σε πολλές στήλες.

Το Excel κάνει ακριβώς αυτό που του ζητήσατε, μια κατά γράμμα σύγκριση, και ένα πραγματικό αρχείο δεν είναι ποτέ γραμμένο ομοιόμορφα.

Τι χάνετε πετώντας μια γραμμή στην τύχη

Ακόμη κι όταν δύο γραμμές αναγνωρίζονται ως ίδιες (για παράδειγμα επειδή αντιγράφηκαν η μία από την άλλη), το να απορρίψετε τη μία στην τύχη είναι επικίνδυνο: αν το email ήταν καταχωρισμένο μόνο στη μία γραμμή και το τηλέφωνο μόνο στην άλλη, κρατώντας μόνο μία χάνετε ένα στοιχείο επικοινωνίας. Και αν η επιλογή γίνεται με το χέρι, σε ένα αρχείο μερικών χιλιάδων γραμμών γίνεται δουλειά μακρόχρονη και επιρρεπής σε λάθη όσο κι αυτή που θέλετε να λύσετε: πρέπει να ανοίξετε κάθε ύποπτο ζεύγος, να το συγκρίνετε με το μάτι, να αποφασίσετε ποιο θα κρατήσετε και να ξαναγράψετε με το χέρι τα στοιχεία που λείπουν από το άλλο.

Υπάρχει κι ένας λιγότερο ορατός κίνδυνος: να απορρίψετε μια γραμμή όταν οι δύο ανήκουν σε διαφορετικά πρόσωπα με το ίδιο όνομα στην ίδια πόλη — με επώνυμα όπως Παπαδόπουλος ή Γεωργίου συμβαίνει συχνά. Μια σύγκριση μόνο κειμένου δεν έχει τρόπο να ξεχωρίσει τις δύο περιπτώσεις.

Πώς δουλεύει η αφαίρεση διπλοεγγραφών του RadarAddress

Η αφαίρεση διπλοεγγραφών του RadarAddress δουλεύει σε δύο χρόνους. Πρώτα τακτοποιεί κάθε διεύθυνση στη σωστή της μορφή — οδός ολογράφως, ταχυδρομικός κώδικας «176 74», πόλη γραμμένη σωστά — ώστε δύο γραφές της ίδιας οδού να γίνουν η ίδια οδός πριν καν συγκριθούν. Για την Ελλάδα, όπου δεν υπάρχει ακόμη εθνικό μητρώο διευθύνσεων σε λειτουργία, η σύγκριση στηρίζεται σε αυτή τη μορφή· στις χώρες με μητρώο σε λειτουργία η διεύθυνση επαληθεύεται κιόλας. Έπειτα συγκρίνει τα ονοματεπώνυμα, αναγνωρίζοντας τα ισοδύναμα ονόματα (Γ. και Γιώργος, Γιώργος και Γεώργιος), την αντεστραμμένη σειρά επωνύμου και ονόματος, ένα τυπογραφικό λάθος στο επώνυμο και τον τίτλο μπροστά από το όνομα, που δεν μετράει στην ετυμηγορία.

Το αποτέλεσμα είναι μια κύρια εγγραφή που παίρνει από κάθε διπλοεγγραφή το καλύτερο πεδίο, email και τηλέφωνο συμπεριλαμβανομένων, με γραμμένο από πού προέρχεται κάθε πληροφορία. Κάθε ομάδα φέρει ένα επίπεδο βεβαιότητας — βέβαιη, πιθανή, αμφίβολη. Στο καθαρό αρχείο οι βέβαιες και οι πιθανές ομάδες βγαίνουν ήδη ενωμένες· οι αμφίβολες μένουν ακέραιες στις γραμμές προς έλεγχο, όπου αποφασίζετε εσείς.

Σε ένα αρχείο που ανεβαίνει ως αρχείο η σύγκριση τρέχει σε ολόκληρη τη λίστα σε μία εργασία, έως 100.000 εγγραφές, χωρίς ταξινόμηση, ομαδοποίηση ή διασταύρωση φύλλων με το χέρι.

Η ίδια περίπτωση, δύο διαφορετικά αποτελέσματα

Οι δύο γραμμές δεν μοιράζονται ούτε ένα πανομοιότυπο κείμενο — κεφαλαία, όνομα συντομευμένο, οδός με συντομογραφία, ταχυδρομικός κώδικας γραμμένος με δύο τρόπους — αλλά είναι η ίδια διεύθυνση και το ίδιο πρόσωπο. Το ονοματεπώνυμο είναι επινοημένο για λόγους επίδειξης· κάθε αναφορά σε πραγματικά πρόσωπα είναι εντελώς συμπτωματική.