Transformación Agrupación aproximada
Actualizado: 5 de diciembre de 2005
La transformación Agrupación aproximada realiza tareas de limpieza de datos, identificando filas de datos que probablemente se van a duplicar y seleccionando una fila de datos canónica para utilizarla en la normalización de los datos. La transformación requiere una conexión a una instancia de SQL Server 2005 para crear las tablas temporales deSQL Server que necesita el algoritmo de la transformación para realizar su trabajo. La conexión debe establecerla un usuario que tenga permiso para crear tablas en la base de datos.
Para configurar la transformación, debe seleccionar las columnas de entrada que desee utilizar para identificar duplicados y el tipo de coincidencia, aproximada o exacta, para cada columna. Una coincidencia exacta garantiza que sólo se agruparán las filas de la columna que tengan valores idénticos. La coincidencia exacta se puede aplicar a columnas con cualquier tipo de datos de Integration Services, excepto DT_TEXT, DT_NTEXT y DT_IMAGE. Una coincidencia aproximada agrupa filas que tienen aproximadamente el mismo valor. El método para la coincidencia aproximada de los datos se basa en la puntuación de similitud especificada por el usuario. Para la coincidencia aproximada, sólo se pueden utilizar columnas con tipos de datos DT_WSTR y DT_STR. Para obtener más información, vea Tipos de datos de Integration Services.
La salida de la transformación incluye todas las columnas de entrada, una o más columnas con datos normalizados, y una columna que contiene la puntuación de similitud. La puntuación es un valor decimal entre 0 y 1. La fila canónica tiene una puntuación de 1. Otras filas del grupo aproximado tienen puntuaciones que indican cuánto coincide la fila con la fila canónica. Cuanto más se acerque el resultado a 1, mayor será la coincidencia entre la fila y la fila canónica. Si el grupo aproximado incluye filas que son duplicados exactos de la fila canónica, estas filas también tienen una puntuación de 1. La transformación no quita las filas duplicadas, sino que las agrupa creando una clave que relaciona la fila canónica con las filas similares.
La transformación produce una fila de salida por cada fila de entrada, con las siguientes columnas adicionales:
- _key_in, una columna que identifica de forma única cada fila.
- _key_out, una columna que identifica un grupo de filas duplicadas. La columna _key_out tiene el valor de la columna _key_in en la fila de datos canónica. Las filas con el mismo valor en _key_out forman parte del mismo grupo. El valor _key_out para un grupo corresponde al valor de _key_in en la fila de datos canónica.
- _score, un valor entre 0 y 1 que indica la similitud entre la fila de entrada y la fila canónica.
Éstos son los nombres de columna predeterminados y puede configurar la transformación Agrupación aproximada para que utilice otros. La salida también proporciona una puntuación de similitud para cada columna que participa en una agrupación aproximada.
La transformación Agrupación aproximada incluye dos características para personalizar la agrupación que realiza: delimitadores de símbolos y umbral de similitud. La transformación proporciona un conjunto predeterminado de delimitadores que se utilizan para convertir los datos en testigos, pero puede agregar delimitadores nuevos que mejoren la conversión en testigos de los datos.
El umbral de similitud indica qué tan estricta es la transformación a la hora de identificar duplicados. Los umbrales de similitud se pueden establecer en el nivel de componente y de columna. El umbral de similitud en el nivel de columna sólo está disponible para las columnas que realizan una coincidencia aproximada. El intervalo de similitud es de 0 a 1. Cuanto más se acerque el umbral a 1, más similares deberán ser las filas y las columnas para ser calificadas como duplicados. El umbral de similitud entre filas y columnas se especifica estableciendo la propiedad MinSimilarity en los niveles de componente y de columna. Para satisfacer la similitud especificada en el nivel de componente, todas las filas deben tener una similitud en todas las columnas igual o superior al umbral de similitud especificado en el nivel de componente.
La transformación Agrupación aproximada calcula el valor interno de similitud y no agrupa las filas con un valor de similitud inferior al especificado en MinSimilarity.
Para identificar un umbral de similitud válido para sus datos, es posible que deba aplicar la transformación Agrupación aproximada varias veces utilizando distintos umbrales de similitud mínima. Durante la ejecución, las columnas de puntuación de la salida de la transformación contienen las puntuaciones de similitud para cada fila de un grupo. Puede utilizar estos valores para identificar el umbral de similitud apropiado para sus datos. Si desea aumentar la similitud, debe establecer MinSimilarity en un valor mayor que el valor de las columnas de puntuación.
Puede personalizar la agrupación que lleva a cabo la transformación, estableciendo las propiedades de las columnas en la entrada de la transformación Agrupación aproximada. Por ejemplo, la propiedad FuzzyComparisonFlags especifica cómo compara la transformación los datos de cadena en una columna y la propiedad ExactFuzzy especifica si la transformación realiza una coincidencia aproximada o exacta.
La cantidad de memoria que utiliza la transformación Agrupación aproximada se puede configurar al establecer la propiedad personalizada MaxMemoryUsage. Puede especificar el número de megabytes (MB) o utilizar el valor 0 para permitir a la transformación utilizar una cantidad de memoria dinámica en función de sus necesidades y de la memoria física disponible. La propiedad personalizada MaxMemoryUsage se puede actualizar a través de una expresión de propiedad, al cargar el paquete. Para obtener más información, vea Referencia de expresiones de Integration Services, Usar expresiones de propiedad en paquetes y Transformation Custom Properties.
Esta transformación tiene una entrada y una salida. No admite una salida de error.
Comparar filas
Al configurar la transformación Agrupación aproximada, puede especificar el algoritmo de comparación que utiliza la transformación para comparar las filas de la entrada de la transformación. Si establece la propiedad Exhaustive en true, la transformación compara cada fila de la entrada con todas las demás filas de la entrada. Este algoritmo de comparación puede producir resultados más exactos, pero es probable que la transformación sea más lenta, a menos que el número de filas de la entrada sea pequeño. Para evitar problemas de rendimiento, es conveniente establecer la propiedad Exhaustive en true sólo durante el desarrollo de paquetes.
Tablas e índices temporales
Durante la ejecución, la transformación Agrupación aproximada crea objetos temporales, como tablas e índices, que pueden tener un tamaño considerable, en la base de datos de SQL Server 2005 a la que se conecta la transformación. El tamaño de las tablas y los índices es proporcional al número de filas de la entrada de la transformación y al número de testigos creados por la transformación Agrupación aproximada.
La transformación también consulta las tablas temporales. Por lo tanto, debe considerar la posibilidad de conectar la transformación Agrupación aproximada a una instancia de SQL Server que no sea de producción, en especial si el servidor de producción tiene un espacio en disco disponible limitado.
El rendimiento de esta transformación puede mejorar si las tablas e índices que utiliza están ubicados en el equipo local.
Configurar la transformación Agrupación aproximada
Puede establecer propiedades a través del Diseñador SSIS o mediante programación.
Para obtener más información acerca de las propiedades que puede establecer en el cuadro de diálogo Editor de transformación Agrupación aproximada, haga clic en uno de los temas siguientes:
- Editor de transformación Agrupación aproximada (ficha Administrador de conexión)
- Editor de transformación Agrupación aproximada (ficha Columnas)
- Editor de transformación Agrupación aproximada (ficha Avanzadas)
Para obtener más información acerca de las propiedades que puede establecer a través del cuadro de diálogo Editor avanzado o mediante programación, haga clic en uno de los temas siguientes:
Para obtener más información sobre cómo establecer valores de propiedades, haga clic en uno de los temas siguientes:
- Cómo identificar filas de datos similares mediante la transformación Agrupación aproximada
- Cómo establecer las propiedades de un componente de flujo de datos mediante un editor de componentes
- Cómo establecer las propiedades de un componente de flujo de datos en la ventana Propiedades
- Cómo configurar las propiedades de un componente de flujo de datos mediante el Editor avanzado
Vea también
Conceptos
Transformación Búsqueda aproximada
Transformaciones de Integration Services
Ayuda e información
Obtener ayuda sobre SQL Server 2005
Historial de cambios
| Versión | Historial |
|---|---|
5 de diciembre de 2005 |
|