不同数据库的企业数据怎么匹配

把“工商注册库 + 专利库 + 海关库 + 招投标库”等不同来源的企业拼成一张宽表，核心就两步：“先标准化，再连键”。下面给出一条可直接落地的 Stata 流水线，兼顾精度与速度；Python/Pandas 方案附在文末，思路完全一致。

一、事前准备：统一“企业标识键”

1. 统一社会信用代码（USCC）

   • 18 位，全国唯一，优先级最高；只要两边都有，直接 1:1 merge。
2. 注册号 / 工商号

   • 老数据可能是 15 位注册号，用官方对照表先转成 USCC；转换表可在国家企业信用信息公示系统批量下载。
3. 企业名称

   • 去掉“有限公司”“股份有限公司”“集团”等后缀，全角半角、大小写、空格统一；生成一个“名称_纯净”字段。
4. 法人姓名 + 成立日期

   • 当 USCC 缺失、名称高度相似时，用“法人+成立日期”做二次确认，防止同名异企。

二、Stata 实操模板（三阶段）

* 0 安装辅助命令
ssc install strgroup, replace
ssc install reclink2, replace

* 1 读入 A、B 两库，先生成纯净名称
foreach db in A B {
    use `db', clear
    gen name_clean = ustrtrim(ustrlower(企业名称))           // 大小写+空格
    gen name_pure  = regexr(name_clean, "(股份|有限|集团|责任|公司|co\.|ltd\.|inc\.)", "")
    save `db'_clean, replace
}

* 2 一级匹配：USCC 精确
use A_clean, clear
merge 1:1 uscc using B_clean, keep(match master) gen(m1)
save match1, replace

* 3 二级匹配：模糊名称（Jaro-Winkler > 0.92）
use A_clean, clear
reclink2 name_pure 省份 成立年 using B_clean,            ///
        idmaster(idA) idusing(idB) gen(score) threshold(0.92)
keep if score > 0.92
save match2, replace

* 4 合并结果
append using match1
duplicates drop idA, force

• threshold(0.92) 经验值，可手动调到 0.90-0.95；
• 若数据量>100 万，先用 block(省份) 分块再模糊，速度提升 10 倍以上。

三、再确认与手工清洗

1. 同分异母：USCC 前 8 位相同→同一母公司，注意保留层级关系。
2. 曾用名：把历史名称表并进来，再跑一遍模糊。
3. 置信度标记：

   • m1==1（USCC 命中）→ 置信度 1
   • m1==0 & score>0.95 → 置信度 2
   • 其余人工抽检 5%，错误率>5% 就调阈值或加变量（法人、注册资本区间）。

四、Python 极简方案

import pandas as pd
from fuzzy_match import match_company

A = pd.read_csv('A.csv')
B = pd.read_csv('B.csv')

# 1 精确
m1 = pd.merge(A, B, on='uscc', how='left', indicator=True)

# 2 模糊
m2 = match_company(
        A.loc[m1['_merge']=='left_only', 'name_pure'],
        B['name_pure'],
        method='jw', threshold=0.92)

fuzzy_match 底层用 rapidfuzz，100 万×100 万约 3-5 分钟跑完。

五、一句话总结
“USCC 能连就不模糊，模糊必须加块变量，再人工抽检 5%”——按这条铁律，无论工商、专利、海关还是招投标，都能把匹配准确率拉到 98% 以上。祝拼接顺利！