API de similitud es una API de emparejamiento difuso y deduplicación de alta velocidad diseñada para datos desordenados y del mundo real Te ayuda a identificar registros casi duplicados y a reconciliar entidades incluso cuando los valores no coinciden exactamente—errores tipográficos, diferencias de mayúsculas y minúsculas, puntuación faltante, problemas de espaciado, abreviaturas y cambios menores en el orden de las palabras
En lugar de construir y ajustar tu propia tubería de emparejamiento difuso, envías tus cadenas (o registros) a la API y recibes coincidencias con puntajes de similitud en las que puedes confiar Las salidas típicas incluyen pares coincidentes (por ejemplo, “Apple” ⇔ “apple inc.”), puntajes de similitud y resultados estructurados que son fáciles de integrar en flujos de trabajo de limpieza de datos, CRM, trabajos de ETL y tuberías de análisis
Casos de uso comunes:
Deduplicar listas: encontrar duplicados dentro de un conjunto de datos (coincidencia de todos a todos) y devolver pares probablemente duplicados
Reconciliar contra una lista maestra: emparejar una lista entrante con un conjunto canónico (lista a maestra)
Higiene de datos de CRM y clientes: limpiar leads/cuentas/empresas donde los duplicados interfieren con los informes y el contacto
Resolución de entidades y enlace de registros: conectar referencias a la misma entidad del mundo real a través de fuentes
Por qué los equipos lo utilizan:
Funciona con texto desordenado desde el principio (sin reglas manuales para cada caso extremo)
Puntajes de similitud para clasificación y umbrales (tú eliges cuán estricto ser)
Construido para escalar y automatizar (diseñado para funcionar en tuberías, no solo en scripts puntuales)
Dedupe es un endpoint de coincidencia difusa uno-a-uno para encontrar duplicados dentro de una única lista de cadenas. En lugar de comparar solo dos entradas por llamada a la API, envías un conjunto de datos y devuelve pares similares y/o grupos deduplicados a través de todo el conjunto.
Por qué lo usarías
Aceleración masiva: típicamente ~300× a 1,000× más rápido que los enfoques “regulares” que la gente intenta primero (comparaciones por pares, bucles de puntuaciones difusas, etc.) una vez que superas listas pequeñas.
Limpieza opcional integrada: puedes habilitar la limpieza de texto común (minúsculas, eliminación de puntuación, ordenamiento de tokens). Esto ahorra horas (o días) de desarrollo + mantenimiento continuo.
Sufijos de empresa manejados automáticamente: terminaciones comunes como “Inc”, “LLC”, “Ltd”, etc. son eliminadas para que coincidas con el nombre real.
Referencias: similarity-api/blog/speed-benchmarks (1M registros en ~7 minutos; más rápido que las bibliotecas comunes de coincidencia difusa de Python).
Límites estrictos en Zyla
Máx 1,000 cadenas por solicitud (aplicado).
¿Necesitas más grande / ilimitado?
Parámetros (solicitud POST)
data (requerido)
Una cadena que contiene un array JSON de cadenas.
Valor de ejemplo para data:
["Acme Inc","ACME LLC","Globex GmbH"]
Mayor = coincidencias más estrictas (menos pares). Típico: 0.80–0.90 para deduplicación de empresas.
Elimina diferencias de puntuación (por ejemplo, “A.C.M.E.” vs “ACME”).
Hace que la coincidencia no distinga entre mayúsculas y minúsculas.
use_token_sort (opcional, true/false, por defecto false)
Ayuda cuando el orden de las palabras cambia (por ejemplo, “Bank of America” vs “America Bank of”).
output_format (opcional, por defecto string_pairs)
Este endpoint puede devolver datos en múltiples formatos. Por favor selecciona uno de los siguientes:
string_pairs:
[cadena_A, cadena_B, similitud]index_pairs:
string_pairs, pero devuelve las posiciones en tu lista de entrada en lugar de las cadenas.[índice_A, índice_B, similitud]deduped_strings:
deduped_indices:
deduped_strings, pero devuelve los índices de los elementos mantenidos.membership_map:
[0,0,0,3,3] significa que las filas 0/1/2 son un grupo (rep=0) y las filas 3/4 son otro (rep=3).row_annotations:
Devuelve un objeto por fila de entrada con una explicación de a qué pertenece (fila rep + similitud).
Usa cuando: quieres un resultado legible para humanos, por fila, para depuración o visualización en la interfaz de usuario.
top_k (opcional, entero o "todos", por defecto "todos")
todos = encontrar todas las coincidencias por encima del umbral.
O un entero (por ejemplo, 50) para limitar las coincidencias por fila (más rápido, menos resultados).
Solicitud de ejemplo en python
import requests, json
API_KEY = "TU_CLAVE_ZYLA"
URL = "API_URL/dedupe"
data_list = ["Microsoft","Micsrosoft","Apple Inc","Apple","Google LLC","9oogle"]
params = {
"data": json.dumps(data_list),
"similarity_threshold": "0.75",
"remove_punctuation": "true",
"to_lowercase": "true",
"use_token_sort": "false",
"output_format": "string_pairs",
"top_k": "all"
}
headers = {"Authorization": f"Bearer {API_KEY}"}
r = requests.post(URL, headers=headers, params=params, timeout=60)
print(r.status_code)
print(r.json())
Dedupe - Características del Endpoint
| Objeto | Descripción |
|---|---|
data |
[Requerido] JSON array of strings to deduplicate (max 1000). Example: ["a","b","c"] |
similarity_threshold |
Opcional Similarity cutoff from 0 to 1. Higher values are stricter (fewer matches). Default is 0.75. |
remove_punctuation |
Opcional If true, punctuation is removed before matching. Default is true. |
to_lowercase |
Opcional If true, strings are lowercased before matching. Default is true. |
use_token_sort |
Opcional If true, tokens in each string are sorted before matching. Useful when word order varies. Default is false. |
output_format |
Opcional Default: string_pairs Allowed values (and what each means): index_pairs List of matches as [i, j, score] where i and j are indices in the input list. string_pairs List of matches as [string_i, string_j, score] using original strings. deduped_strings List of strings with duplicates removed (one representative per group). deduped_indices List of indices representing the deduplicated set (one representative per group). membership_map Array of length N where entry i is the representative index for the group of data[i]. row_annotations Array of objects (one per input row) with fields: index, original_string, rep_index, rep_string, similarity_to_rep. |
top_k |
Opcional Limits how many neighbors are returned per input string. Use all for full dedupe, or a positive integer for top matches per row. |
{"status":"success","response_data":[["Apple","appl!e",1.0]]}
curl --location --request POST 'https://zylalabs.com/api/11895/similarity+api/22607/dedupe?data=["Apple", "appl!e"]' --header 'Authorization: Bearer YOUR_API_KEY'
| Encabezado | Descripción |
|---|---|
Autorización
|
[Requerido] Debería ser Bearer access_key. Consulta "Tu Clave de Acceso a la API" arriba cuando estés suscrito. |
Sin compromiso a largo plazo. Mejora, reduce o cancela en cualquier momento. La Prueba Gratuita incluye hasta 50 solicitudes.
El endpoint Dedupe devuelve un objeto JSON que contiene pares de cadenas emparejados, puntajes de similitud y resultados deduplicados opcionales La salida puede ser formateada como pares de cadenas, pares de índices o cadenas deduplicadas, dependiendo de la configuración especificada
Los campos clave en los datos de respuesta incluyen "estado" (que indica éxito o error) y "datos_de_respuesta" que contiene los resultados formateados de acuerdo con la solicitud del usuario como pares coincidentes o cadenas desduplicadas
Los usuarios pueden personalizar las solicitudes ajustando parámetros en el objeto "config" como "similarity_threshold" para la rigurosidad de coincidencias "remove_punctuation" para el preprocesamiento y "output_format" para elegir la estructura de resultado deseada
Los datos de respuesta están organizados como un arreglo de resultados donde cada entrada corresponde a un partido o cadena desduplicada Dependiendo del formato de salida las entradas pueden incluir cadenas originales índices y puntuaciones de similitud facilitando una fácil integración en flujos de trabajo
Los casos de uso típicos incluyen la deduplicación de listas de clientes la reconciliación de registros contra una lista maestra la limpieza de datos de CRM y la resolución de entidades a través de diferentes fuentes de datos para garantizar la integridad y precisión de los datos
La precisión de los datos se mantiene a través de avanzados algoritmos de coincidencia difusa que tienen en cuenta problemas comunes de datos como errores tipográficos y diferencias de mayúsculas y minúsculas La API está diseñada para manejar datos desordenados de manera efectiva asegurando resultados de coincidencia confiables
Los valores de parámetro aceptados incluyen "similarity_threshold" (0 a 1), "remove_punctuation" (booleano), "to_lowercase" (booleano), "use_token_sort" (booleano) y "top_k" (entero o "todos") Estos parámetros permiten a los usuarios personalizar el proceso de coincidencia según sus necesidades específicas
Si el endpoint Dedupe devuelve resultados parciales o vacíos, los usuarios deben comprobar los datos de entrada en busca de problemas de calidad, como duplicados excesivos o umbrales de similitud muy bajos. Ajustar el "umbral_de_similitud" o revisar la lista de entrada puede ayudar a mejorar los resultados
Nivel de Servicio:
100%
Tiempo de Respuesta:
449ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
704ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
1.015ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
603ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
542ms
Nivel de Servicio:
83%
Tiempo de Respuesta:
334ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
586ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
326ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
393ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
393ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
558ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
767ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
17.611ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
634ms
Nivel de Servicio:
67%
Tiempo de Respuesta:
1.839ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
765ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
3.183ms
Nivel de Servicio:
100%
Tiempo de Respuesta:
198ms
Nivel de Servicio:
33%
Tiempo de Respuesta:
1.452ms
Nivel de Servicio:
33%
Tiempo de Respuesta:
4.478ms