Similitud de Cadenas

Puntúa dos cadenas con cinco métricas clásicas de similitud — Levenshtein, Damerau-Levenshtein, Jaro, Jaro-Winkler y el coeficiente Dice de bigramas — o usa el modo encontrar el más cercano para clasificar una consulta frente a una lista de candidatos. Dos de las métricas son distancias (menor es más cercano), tres son similitudes de 0 a 1 (mayor es más cercano). Útil para sugerencias de "quizás quisiste decir", deduplicación difusa, limpieza de OCR y alineación de cabeceras entre dos archivos CSV. Todo se ejecuta en tu navegador; nada se sube.

— distingue mayúsculas/minúsculas, a nivel de carácter
Métricas —
Ejemplos — haz clic en cualquier chip para cargarlo
En qué se diferencian las métricas y cuándo usar cada una
  • Distancia de Levenshtein cuenta el número mínimo de ediciones de un solo carácter (insertar, eliminar, reemplazar) necesarias para convertir una cadena en la otra. Simétrica, entera y la herramienta básica para corrección ortográfica. kitten → sitting es 3.
  • Distancia de Damerau-Levenshtein es Levenshtein más un bonus de una sola edición por intercambiar dos caracteres adyacentes, así que teh ↔ the cuenta como 1 en lugar de 2. Detecta el muy común typo de transposición.
  • Similitud de Jaro cuenta caracteres coincidentes dentro de una ventana deslizante de coincidencia, luego penaliza las transposiciones. Devuelve 0–1. El ejemplo canónico es MARTHA ↔ MARHTA ≈ 0.944. Fuerte con cadenas cortas y nombres.
  • Similitud de Jaro-Winkler añade un bonus por longitud de prefijo a Jaro, premiando las cadenas que comparten un substring inicial. Mejor para nombres personales y de productos, menos para texto general.
  • Coeficiente Dice sobre bigramas de caracteres mide la superposición de fragmentos de dos letras. Rápido, muy adecuado para cadenas de longitud media y muy útil para deduplicación difusa de listas de clientes/contactos o líneas de log.
  • Las distancias se ordenan ascendente (menor es más cercano); las similitudes descendente (mayor es más cercano). En el modo encontrar el más cercano, el umbral filtra candidatos que están obviamente demasiado lejos — establécelo a un límite inferior (similitud) o superior (distancia) razonable para tu caso de uso.
  • Las cinco son sensibles a mayúsculas/minúsculas por defecto. Normaliza la entrada (minúsculas, recortar) antes de puntuar si quieres una comparación que no distinga mayúsculas.
  • Nada se sube. Cierra la pestaña y los datos se han ido.