展开本页目录
开始前准备什么
- 下载练习包并解压到独立目录，保留原件。
- 使用自己有权限的目标工具；AI建议与Word/Excel/PPT等原生命令分别执行、分别验收。
- 作者参考的执行范围见本页结果和README；未运行的目标账号、云端权限或界面操作不计为已完成。
- 保留原名称与唯一ID
- 先做精确规范化匹配
- 在Merge选择fuzzy并保留多个候选与相似度
- 设定待确认区间
- 人工批准映射后写成转换表
- 新增一个同名分支
- 导出最终映射、未匹配与歧义清单
1. 保留原名称与唯一ID
保留原名称与唯一ID，标准表先检查名称是否唯一。
本页练习输入：15条虚构供应方别名和8个标准名称，含同名不同分支、标点差异和无法匹配项。
2. 先做精确规范化匹配
先做精确规范化匹配，剩余项才进入模糊匹配。
先把aliases.csv与canonical.csv分别导入为Aliases和Canonical查询，列名按原文件保留；再在空白查询高级编辑器粘贴fuzzy-candidates.m。作者本地相似分数只作复核参考。
3. 在Merge选择fuzzy并保留多个候选与相似度
text
text
任务：Power Query 模糊匹配：先列候选和相似度，同名近似项经人工确认再归并
输入：15条虚构供应方别名和8个标准名称，含同名不同分支、标点差异和无法匹配项。
请保留原件，并只对副本工作。按以下顺序执行：
1. 保留原名称与唯一ID，标准表先检查名称是否唯一。
2. 先做精确规范化匹配，剩余项才进入模糊匹配。
3. 在Merge选择fuzzy并保留多个候选与相似度。
4. 设定待确认区间，两个近似候选不自动选第一条。
5. 人工批准映射后写成转换表，保留批准人/理由字段。
6. 新增一个同名分支，确认旧规则不能悄悄覆盖映射。
7. 导出最终映射、未匹配与歧义清单，原始名称不丢。
交付：两张输入表；阈值/转换字典；候选复核表与批准映射。
遇到缺失信息或不可执行的原生功能，明确列出，不用编造结果填补。
4. 设定待确认区间
设定待确认区间，两个近似候选不自动选第一条。
5. 人工批准映射后写成转换表
人工批准映射后写成转换表，保留批准人/理由字段。
本地参考与核对结果：15条别名先做标准化精确匹配，再列候选；North Star有歧义须人工确认，Unknown Meteor保留未匹配。
6. 新增一个同名分支
新增一个同名分支，确认旧规则不能悄悄覆盖映射。
7. 导出最终映射、未匹配与歧义清单
导出最终映射、未匹配与歧义清单，原始名称不丢。
下载ZIP保留原始输入与作者参考两种身份；先按本页步骤完成自己的结果，再运行verify.py核对。具体依赖和已执行范围见README。
bash
bash
python3 verify.py怎样确认已经完成
- 歧义项有多个候选且不自动归并。
- 人工映射可追溯。
- 未知项保持未匹配。
常见问题
公司名差一个字，AI模糊匹配会不会把两家公司合并？
会有这种风险。North Star Labs与North Star Lab是两个不同标准记录；标准化后仍有歧义时，保留两个候选并查真实依据，不能直接选最高分当同一公司。
模糊匹配分数很高，为什么还要保留待确认清单？
相似度只反映文字接近，不证明实体相同。保存原名、候选ID、分数、人工批准映射和未匹配清单；作者本地SequenceMatcher分数也不冒充Power Query分数。