あいまいグループ化変換
適用対象: 
SQL Server Azure Data Factory の SSIS Integration Runtime
あいまいグループ化変換は、重複部分と考えられるデータの行を識別し、データを標準化するときに使用するデータの正規行を選択することで、データ クリーニング タスクを実行します。
注意
パフォーマンスやメモリの制限など、あいまいグループ化変換に関する詳細については、ホワイト ペーパー「 Fuzzy Lookup and Fuzzy Grouping in SQL Server Integration Services 2005」(SQL Server Integration Services 2005 のあいまい参照とあいまいグループ化) をご覧ください。
あいまいグループ化変換では、変換アルゴリズムの処理に必要な一時 SQL Server テーブルを作成するために、SQL Server インスタンスへの接続が必要になります。 接続時には、データベース内にテーブルを作成する権限を持つユーザーの解決が必要です。
変換を構成する場合は、重複部分を識別するときに使用する入力列を選択し、一致の種類としてあいまい一致か完全一致かを列ごとに選択する必要があります。 完全一致の場合は、その列に同じ値を持つ行のみがグループ化されます。 完全一致は、DT_TEXT、DT_NTEXT、および DT_IMAGE を除く任意の Integration Services データ型の列に適用できます。 あいまい一致の場合は、ほぼ同じ値を持つ行がグループ化されます。 データのあいまい一致は、ユーザーが指定する類似性スコアに基づいて判定されます。 あいまい一致に使用できるのは、DT_WSTR データ型および DT_STR データ型の列のみです。 詳細については、「 Integration Services Data Types」を参照してください。
変換出力には、すべての入力列、標準化されたデータを含む 1 つ以上の列、および類似性スコアを含む 1 つの列が含まれます。 スコアは、0 ～ 1 の 10 進値です。 正規行のスコアは 1 です。 あいまいグループ内の他の行は、その行がどれだけ正規行に一致するかを示すスコアを持ちます。 スコアが 1 に近いほど、その行と正規行との類似性が高いことを示しています。 正規行と完全に重複する行があいまいグループに含まれている場合、その行のスコアは 1 となります。 この変換では、重複行は削除されません。この変換では、正規行を類似の行に関連付けるキーを作成して、行をグループ化します。
この変換では、入力行ごとに、次の列が追加された 1 つの出力行が生成されます。
_key_in。各行を一意に識別する列です。
_key_out。重複行のグループを識別する列です。 _key_out 列は、正規データ行の _key_in 列の値を含みます。 _key_out の値が同じ行は、同じグループに属します。 グループの _key_out値は、正規データ行の _key_in の値に対応します。
_score。入力行と正規行との類似性を示す、0 ～ 1 の値です。
これらは既定の列名であり、別の名前を使用するようにあいまいグループ化変換を構成することもできます。 その場合、あいまいグループ化に含まれるそれぞれの列に関する類似性スコアも出力されます。
あいまいグループ化変換には、グループ化をカスタマイズするための 2 つの機能として、トークン区切り記号と類似性しきい値があります。 この変換には、データをトークン化に使用される既定の区切り記号のセットがありますが、データのトークン化を向上する新しい区切り記号も追加できます。
類似性しきい値とは、変換で重複を識別する際の厳密さのレベルを示します。 類似性しきい値は、コンポーネント レベルおよび列レベルで設定できます。 列レベルの類似性しきい値は、あいまい一致を実行する列に対してのみ使用できます。 類似性の範囲は 0 ～ 1 です。 しきい値が 1 に近いほど、行や列が一致していると判断される場合の類似性が高くなります。 行および列の類似性しきい値を指定するには、コンポーネント レベルまたは列レベルで MinSimilarity プロパティを設定します。 コンポーネント レベルで指定された類似性を満たすためには、すべての列のすべての行において、コンポーネント レベルで指定された類似性しきい値以上の類似性が求められます。
あいまいグループ化変換では、類似性の内部メジャーが計算され、MinSimilarity に指定された値に満たない行はグループ化されません。
データに適した類似性しきい値を求めるには、最小類似性しきい値をその都度変えて何回かあいまいグループ化変換を試す必要があります。 実行時には、変換出力のスコア列に、グループの各行の類似性スコアが格納されます。 これらの値を使用すると、データに適した類似性しきい値を識別できます。 類似性を高く設定するには、スコア列の値よりも大きい値を MinSimilarity に設定します。
あいまいグループ化変換の入力の列のプロパティを設定することで、この変換で実行されるグループ化をカスタマイズできます。 たとえば、FuzzyComparisonFlags プロパティは、変換で列の文字列データを比較する方法を指定します。ExactFuzzy プロパティは、変換であいまい一致または完全一致を実行するかどうかを指定します。
あいまいグループ化変換で使用されるメモリの量は、MaxMemoryUsage カスタム プロパティを設定することによって構成できます。 メガバイト (MB) 単位の数値または 0 を指定できます。0 を指定すると、変換に必要なメモリの量と使用できる物理メモリの量に基づいて、変換に使用されるメモリの量が動的に決まります。 MaxMemoryUsage カスタム プロパティは、パッケージの読み込み時にプロパティ式で更新できます。 詳細については、「Integration Services (SSIS) の式」、「パッケージでプロパティ式を使用する」、および「変換のカスタム プロパティ」を参照してください。
この変換は 1 つの入力と 1 つの出力をとります。 エラー出力はサポートされていません。
行の比較
あいまいグループ化変換を構成するときに、変換入力内の行の比較に使用する比較アルゴリズムを指定できます。 Exhaustive プロパティを trueに設定した場合は、入力内のすべての行が入力内の他のすべての行と比較されます。 この比較アルゴリズムを使用すると、より正確な結果が生成されますが、入力の行の数が少ない場合を除けば、処理により多くの時間がかかるようになります。 パフォーマンス上の問題を回避するため、パッケージの開発中は、Exhaustive プロパティを True のみに設定することをお勧めします。
一時テーブルおよびインデックス
実行時、あいまいグループ化変換は、テーブルやインデックスなどの一時オブジェクトを接続先の SQL Server データベースに作成します。この一時オブジェクトのサイズは、かなり大きくなる可能性があります。 テーブルおよびインデックスのサイズは、変換入力内の行の数およびあいまいグループ化変換によって作成されたトークンの数に比例します。
また、変換は一時テーブルに対してクエリを実行します。 このため、特に稼働サーバーのディスク容量が少ない場合は、あいまいグループ化変換を SQL Server の非稼働インスタンスに接続することを検討してください。
この変換で使用するテーブルおよびインデックスがローカル コンピューター上にあると、変換のパフォーマンスが向上する可能性があります。
あいまいグループ化変換の構成
プロパティを設定するには SSIS デザイナーから行うか、またはプログラムによって設定します。
[詳細エディター] ダイアログ ボックスまたはプログラムで設定できるプロパティの詳細については、次のトピックのいずれかを参照してください。
Related Tasks
このタスクのプロパティの設定方法の詳細については、次のトピックのいずれかを参照してください。
[あいまいグループ化変換エディター] ([接続マネージャー] タブ)
[あいまいグループ化変換エディター] ダイアログ ボックスの [接続マネージャー] タブを使用すると、既存の接続を選択したり新しい接続を作成したりできます。
注意
接続によって指定されるサーバーでは、SQL Server が実行されている必要があります。 あいまいグループ化変換では、変換に対する完全な入力と同じサイズの一時データ オブジェクトが tempdb に作成されます。 変換の実行中は、これらの一時オブジェクトに対してサーバー クエリが発行されます。 この操作は、サーバーの全体のパフォーマンスに影響を与える可能性があります。
オプション
[キャッシュなし]
既存の OLE DB 接続マネージャーを一覧から選択するか、 [新規作成] をクリックして新しい接続を作成します。
[新規作成]
[OLE DB 接続マネージャーの構成] ダイアログ ボックスを使用して、新しい接続を作成します。
[あいまいグループ化変換エディター] ([列] タブ)
[あいまいグループ化変換エディター] ダイアログ ボックスの [列] タブを使用すると、重複する値を持つ行をグループ化するための列を指定できます。
オプション
使用できる入力列
重複する値を持つ行をグループ化するために使用する入力列を、この一覧から選択します。
名前
使用できる入力列の名前を表示します。
[パススルー]
入力列を変換の出力に含めるかどうかを選択します。 グループ化に使用されるすべての列は、自動的に出力にコピーされます。 この列を選択することによって、追加の列を含めることができます。
入力列
[使用できる入力列] の一覧で選択されている入力列の 1 つを選択します。
[出力の別名]
対応する出力列に付けるわかりやすい名前を入力します。 既定では、出力列名は入力列名と同じになります。
[グループ出力の別名]
グループ化された重複の標準の値を含む列に付けるわかりやすい名前を入力します。 この出力列の既定の名前は、入力列名に _clean を付けた名前です。
[一致の種類]
あいまい一致と完全一致のどちらかを指定します。 あいまい一致の場合、行は、すべての列にわたって行が十分に類似している場合に重複していると見なされます。 さらに、特定の列に対して完全一致を指定した場合、完全一致列内で同一の値を含む行だけが、重複の可能性があると見なされます。 したがって、特定の列にエラーや矛盾がないことがわかっている場合は、その列に対して完全一致を指定して、他の列でのあいまい一致の精度を高めることができます。
[最小類似]
スライダーを使用して、類似のしきい値を結合レベルで設定します。 値を 1 に近づけるほど、参照元の値と参照先の値との類似性が高くなければ一致しないと見なされます。 しきい値を大きくすると、照合の対象となるレコードが少なくなるため、照合の速度が向上します。
[類似出力の別名]
選択された結合の類似スコアを格納する、新しい出力列に付ける名前を指定します。 この値を空にした場合、出力列は作成されません。
[数字]
列データを比較する際の先頭および末尾の数字の有意性を指定します。 たとえば、先頭の数字が有意である場合、"123 Main Street" は "456 Main Street" と同じグループとは見なされません。
| 値 | 説明 |
|---|---|
| どちらもオフ | 先頭および末尾の数字は考慮されません。 |
| [Leading] | 先頭の数字のみが考慮されます。 |
| [Trailing] | 末尾の数字のみが考慮されます。 |
| [Leading and Trailing] | 先頭および末尾の両方の数字が考慮されます。 |
[比較フラグ]
文字列比較オプションについては、「 文字列データの比較」を参照してください。
[あいまいグループ化変換エディター] ([詳細設定] タブ)
[あいまいグループ化変換エディター] ダイアログ ボックスの [詳細設定] タブを使用すると、入力列と出力列の指定、類似性のしきい値の設定、区切り記号の定義ができます。
注意
あいまいグループ化変換の Exhaustive プロパティおよび MaxMemoryUsage プロパティは、 [あいまいグループ化変換エディター]ではアクセスできませんが、 [詳細エディター]を使用して設定できます。 これらのプロパティの詳細については、「 Transformation Custom Properties」の「あいまいグループ化変換」を参照してください。
オプション
[入力キー列名]
各入力行の一意の識別子を含む、出力列の名前を指定します。 [_key_in] 列は各行を一意に識別する値を持ちます。
[出力キー列名]
重複する行グループの正規行の一意識別子を含む、出力列の名前を指定します。 [_key_out] 列は、正規データ行の [_key_in] 値に対応します。
[類似性スコアの列名]
類似性スコアを含む列の名前を指定します。 類似性スコアは、正規行に対する入力行の類似性を示す、0 ～ 1 の間の値です。 スコアが 1 に近いほど、その行と正規行との類似性が高いことを示しています。
[類似性のしきい値]
スライダーを使用して類似性のしきい値を設定します。 しきい値が 1 に近づくと、より類似性が高い行どうしのみが重複として扱われるようになります。 しきい値を増加させると候補レコードとして処理対象になる数が少なくなるため、一致処理の速度が向上します。
[トークン区切り記号]
変換により、トークンにするデータの区切り記号の既定のセットが提供されます。必要に応じて、一覧を編集して区切り記号の追加や削除を行うことができます。