【理論編】名寄せ処理の理論
人物の同一性をプログラミングのみで判断することは不可能です。本連載では、システムは操作者の指定に従い、重複値抽出の自動化に特化し、判断は人間が行う方式で進めます。
会員テーブルの前提条件
データに「ゆらぎ」があると、単純に重複値の抽出が行えません。その回避のため、会員テーブルは下記の条件を満たす（仮に「標準化」と呼んでおきます）ものとします。
- 姓名は別々のフィールドに分離されていること
- 姓名それぞれ、フリガナ（または、ふりがな）のフィールドを持つこと
- データ内に空白文字を含まないこと
- データ内の英数字は半角（または、全角）で統一されていること
標準化はテーブル設計時に考慮し、登録／修正時には適切な検証または変換処理を行い、条件を保つようにするべきと筆者は考えます。皆様のRDBシステムに機能追加される際には、必要に応じて事前に変換／修正して「標準化」することを強くお勧めします。
SQLの基礎知識の復習とRDBごとの方言
下記、漢字部分は実名への置換、キーワードと名前の間には半角スペースが必要です。
- 「SELECT * FROM 表名」は、ある表の全行の全列を取り出します。
- 列を指定する場合は、「*」を「列名1, 列名2, …, 列名n」に置き換えます。
- 結果をソートしたい場合は、「ORDER BY 列名1, …」を付加します。
-
行を絞り込む場合は、「WHERE 条件式」（例：WHERE Sei='遠藤'）を付加します。
条件式には「AND」「OR」「NOT」も利用可能です。
「Sei='岸' OR Sei='森' OR Sei='菅'」は「Sei IN ('岸','森','菅')」とも書けます。 - 列でグループ化し、集計関数を使用する場合「GROUP BY 列名1, …」を付加します。
- グループの条件には「HAVING 条件式」（例：HAVING COUNT(*) >= 2）を付加します。
- SELECT文の中にもう一つSELECT文「（SELECT …)」を入れ子（「サブクエリー」と言います）にし、その結果を利用することができます。
- 同じ表を別扱いしたい場合は「表名 AS 別名」とし、接頭辞「別名.」を付けます。
- 「DELETE FROM 表名 WHERE 条件式」とすると該当レコードだけが削除されます。
- ワイルドカード「%」（半角のパーセント）を利用して前方一致「Adr LIKE '三重県%'」などが可能です。「Adr LIKE '三重県津市'」は「Adr='三重県津市'」と同義です。
- 列名の条件に空文字でなくNULLを使う場合、「列名 IS NULL」と書きます。
本連載ではSQL Serverで記述しますが、他のRDBでは以下の読み替えをお願いします。
重複値を抽出するためのSQL命令
例えば、会員テーブル（Member）から、同姓同名で姓が「渡辺」のデータを抽出するSQL命令を考えてみましょう。まず、第1段階として、以下のSQL命令を記述してみます。
SELECT ID, Sei, Mei, Adr, Tel FROM Member ORDER BY Sei, Mei
結果セットは次のようになります。ORDER句を追加するのは、同姓同名データを隣接させ、名寄せ対象の選択操作を行いやすくするためです（この例はShift_JISコード順）。
| ID | Sei | Mei | Adr | Tel |
| 5 | 高橋 | 裕子 | 神奈川県横浜市 | 045-210-XXXX |
| 9 | 高橋 | 裕子 | 沖縄県那覇市 | 098-866-XXXX |
| 3 | 渡辺 | 京子 | 愛媛県松山市 | 089-941-XXXX |
| 2 | 渡辺 | 恵美 | 島根県松江市 | 0852-22-XXXX |
| 4 | 渡辺 | 恵美 | 静岡県静岡市 | 042-722-XXXX |
| 1 | 渡辺 | 美咲 | 福島県福島市 | 024-521-XXXX |
| 6 | 渡辺 | 舞 | 石川県金沢市 | 054-221-XXXX |
| 7 | 渡辺 | 舞 | 大阪府大阪市 | 06-6941-XXXX |
| 10 | 渡辺 | 舞 | 鹿児島県鹿児島市 | 099-286-XXXX |
| 8 | 林 | 沙織 | 宮崎県宮崎市 | 0985-24-XXXX |
ここで颯爽と「EXISTS」演算子の登場です。この演算子は、後続のサブクエリーに対する結果セットの有無により論理値（1行でもあればTRUE、なければFALSE）を返します。
さて、サブクエリーに「SELECT Sei, COUNT(*) FROM Member GROUP BY Sei HAVING COUNT(*) >= 2」と書けば、「高橋|2」「渡辺|7」の2行のみ、結果セットが返ってきます。
実はこの「EXISTS」演算子、サブクエリーの対象列や集計結果ではなく、結果セットの有無にしか関心がありません。SELECTの対象列には固定値「1」も書け、むしろ効率的なので、「SELECT 1 FROM Member GROUP BY Sei HAVING COUNT(*) >= 2」と書きましょう。
以上を踏まえ、第2段階として、同姓同名がいないデータを排除する条件を加えます。
SELECT ID, Sei, Mei, Adr, Tel FROM Member AS x
WHERE EXISTS
( SELECT 1 FROM Member
WHERE Sei = x.Sei AND Mei = x.Mei
GROUP BY Sei, Mei HAVING COUNT(*) >= 2 )
ORDER BY Sei, Mei
第1行の末尾に「AS x」を追加し、Memberテーブルに「x」という別名を与えました。
第2行のEXISTS演算子は、後続のサブクエリーの結果の有無を論理値で返すのでした。
ここで第4行のWHERE句に注目してください。接頭辞なしのSeiとMeiはサブクエリー内のMemberテーブルの列を表しますが、x.Seiとx.Meiは外側のMemberテーブルの列を表します。
そして第5行では、同じSeiとMeiのグループ内の件数が複数という条件を加えています。
ここで「高橋裕子」に絞れば、「x.列」は外側の値なので、以下の命令と同値です。
SELECT ID, Sei, Mei, Adr, Tel FROM Member AS x
WHERE Sei = '高橋' AND Mei = '裕子'
AND EXISTS
( SELECT 1 FROM Member
WHERE Sei = '高橋' AND Mei = '裕子'
GROUP BY Sei, Mei HAVING COUNT(*) >= 2 )
ORDER BY Sei, Mei
「高橋裕子」は2人いるのでHAVING句の条件を満たします。サブクエリーの結果セットとして「1」が2行返るのでEXISTS句はTRUEとなり、表1の第1行と第2行が出力されます。
1人の「渡辺京子」はHAVING句条件を満たさず、EXISTS句はFALSEで、出力されません。
第1段階の結果セット（表1）を走査する処理は、下図のようになります。
最終段階として、サブクエリー内のWHERE句に姓が「渡辺」という条件を加えます。
SELECT ID, Sei, Mei, Adr, Tel FROM Member AS x
WHERE EXISTS
( SELECT 1 FROM Member
WHERE Sei = x.Sei AND Mei = x.Mei
AND Sei = '渡辺'
GROUP BY Sei, Mei HAVING COUNT(*) >= 2 )
ORDER BY Sei, Mei
最終段階での結果セットは以下のようになります。
| ID | Sei | Mei | Adr | Tel |
| 2 | 渡辺 | 恵美 | 島根県松江市 | 0852-22-XXXX |
| 4 | 渡辺 | 恵美 | 静岡県静岡市 | 042-722-XXXX |
| 6 | 渡辺 | 舞 | 石川県金沢市 | 054-221-XXXX |
| 7 | 渡辺 | 舞 | 大阪府大阪市 | 06-6941-XXXX |
| 10 | 渡辺 | 舞 | 鹿児島県鹿児島市 | 099-286-XXXX |
なお、条件が重複チェック列以外の場合は、リスト4の第5行を「AND SeiKana='ワタナベ' AND x. SeiKana='ワタナベ'」のように書く必要がありますので注意してください。
