1、什么叫对码？
举例说明，数据库中有两张表。
表 1：
编号 描述 11 儿科门诊 22 妇科门诊 33 产科门诊
表 2：
编号 描述 111 儿科门诊 222 妇科门诊 333 产科门诊
现在要在表 1 和表 2 之间找到一一对应。比如：
编号1 编号2 11 111 22 222 33 333
这就是对码。
是不是很简单？只要 select 出两个表中描述相同的编号就可以了。但如果两个表的描述并不是那么准确相等呢？譬如一个是「产科」，一个是「妇产科」，怎么找到匹配呢？有人会说用 like '%产科%' 模糊匹配，用存储过程也能实现，但你怎么知道哪个表的描述内容少呢，该 like 哪个表字段呢？还有，如果一个是「妇科」，一个是「妇产科」呢？这个想当然地用 like 肯定是不行了。这个时候就要找个方法来计算两个字符串的相似度或者匹配度，选择相似度最高的数据来做匹配。
对码这种需求其实是很常见的。比如，现有运行的系统里用的是表 1，现在上级部门要求你给它定期传数据，而且要求科室编号用表 2，一般情况下不可能直接在自己运行良好的系统里贸然用表 2 替换表 1，只有新建个表 1 和表 2 的对码表，在提取的时候对表 1 的编号做个替换。而且经常表 1 和表 2 的描述还不完全相同，这个对码就是个问题。
对码可以手工对，用自己的眼睛一个一个找，那么当数据量很大时，这将是场灾难。所以，正常点儿的工程师都会写程序先实现初级的字符串匹配，然后再人工检查，纠正程序处理不了的错误。
本文介绍的就是如何利用字符串相似度的知识来做这个对码。
2、对码，有很多方法可以实现。比如我相信一些对 SQL 高手可以轻松用存储过程实现。我这里是先把表 1 和表 2 读取到文本里，然后用 Matlab 读取并做匹配，再将匹配结果写入到新文本里。当然，这个用 Python、R 语言也可以轻松实现，很简单。我这里选择 Matlab 只是因为自己最近用得多点儿。
文本1：HIS.txt
992 心血管儿科 993 血液儿科 994 新生儿科 995 感染儿科 996 妇科门诊 997 产科门诊
文本2：YY.txt
1008 生殖医学中心IVF 1307 妇科化疗 1036 妇科ICU 1004 产科 1303 妇科 1302 妇产科门诊 1030 妇产科教研室 1093 妇产科
Matlab 代码如下：
[YYcode,YYdesc]=textread('YY.txt','%s%s'); yylen=length(YYcode); [hiscode,hisdesc]=textread('HIS.txt','%s%s'); hislen=length(hiscode); HISyy=cell(1,4); HISyy{1}=hiscode; HISyy{2}=hisdesc; for i=1:1:hislen index=1; simMax=0; for j=1:1:yylen simValue=levenshtein(hisdesc{i},yydesc{j}); if simValue>simMax simMax=simValue; index=j; end end HISyy{3}{i}=YYcode{index}; HISyy{4}{i}=YYdesc{index}; end fp = fopen('HIS-yy.txt','wt'); for i=1:1:hislen fprintf(fp,'%s ',HISyy{1}{i}); fprintf(fp,'%s ',HISyy{2}{i}); fprintf(fp,'%s ',HISyy{3}{i}); fprintf(fp,'%s ',HISyy{4}{i}); end fclose(fp);
其中 levenshtein 函数是计算两个字符串的相似度，用的是「最小编辑距离」。
levenshtein.m。该代码来自网络：http://download.csdn.net/detail/zc0928/4783710
function re=levenshtein(ch1,ch2) n=length(ch1); m=length(ch2); if n==0 LD=m; end; if m==0 LD=n; end; A=zeros(n+1,m+1); for ii=1:n+1 A(ii,1)=ii-1; end; for ii=1:m+1; A(1,ii)=ii-1; end; for ii=2:m+1 for j=2:n+1 if ch2(ii-1)==ch1(j-1) cost=0; else cost=1; end; a=A(j-1,ii)+1; b=A(j,ii-1)+1; c=A(j-1,ii-1)+cost; d=min(a,b); A(j,ii)=min(c,d); end; end; LD=A(n+1,m+1); re = (max(n,m) - LD)/max(n,m);
生成的对码文件：HIS-yy.txt
990 普儿一区 1407 普儿一科 991 普儿二区 1048 普儿二科 992 心血管儿科 1405 心血管科 993 血液儿科 1046 新生儿科 994 新生儿科 1406 新生儿科 995 感染儿科 3046 感染管理科
3、Matlab 处理流程
首先读取两个表的文本，并计算数据个数。
[YYcode,YYdesc]=textread('YY.txt','%s%s'); yylen=length(YYcode); [hiscode,hisdesc]=textread('HIS.txt','%s%s'); hislen=length(hiscode);
然后创建元胞数组，并把第一个文件的值复制进去。注意元胞数组的使用，这里创建了 1 行 4 列的元胞数组，每个元素又可以存储任意个字符串数组，每个元素的类型跟上面的 YYcode 和 YYdesc 一样。
HISyy=cell(1,4); HISyy{1}=hiscode; HISyy{2}=hisdesc;
接下来遍历第一个文件中的每一个描述，将该描述字符串同第二个文本中的每一个描述做匹配，计算相似度，最终取得相似度最高的存到元胞数组的第三列和第四列。
for i=1:1:hislen index=1; simMax=0; for j=1:1:yylen simValue=levenshtein(hisdesc{i},yydesc{j}); if simValue>simMax simMax=simValue; index=j; end end HISyy{3}{i}=YYcode{index}; HISyy{4}{i}=YYdesc{index}; end
最后将 HISyy中的结果写入文件 HIS-yy.txt。
fp = fopen('HIS-yy.txt','wt'); for i=1:1:hislen fprintf(fp,'%s ',HISyy{1}{i}); fprintf(fp,'%s ',HISyy{2}{i}); fprintf(fp,'%s ',HISyy{3}{i}); fprintf(fp,'%s ',HISyy{4}{i}); end fclose(fp);