Duplikátumok vadászata: Azonos szövegrészletek keresése Excelben, profi módszerekkel!

Adatbázisok, Excel táblázatok és egyéb adathalmazok kezelésekor gyakran szembesülünk egy bosszantó, mégis elengedhetetlen feladattal: az **ismétlődő szövegrészletek** felkutatásával. Legyen szó termékkatalógusokról, ügyféllistákról vagy bármilyen nagyméretű adattárról, a duplikátumok jelentős fejfájást okozhatnak. Torzíthatják az elemzéseket, lassíthatják a folyamatokat, és félrevezető döntésekhez vezethetnek. Éppen ezért létfontosságú, hogy elsajátítsuk azokat a **profi Excel technikákat**, amelyekkel hatékonyan deríthetjük fel és kezelhetjük ezeket az azonos cellatartalmakat.

Ez a cikk nem csupán az alapvető funkciókra fókuszál; bemutatja azokat a haladó módszereket is, amelyekkel valóban mesteri szintre emelhetjük az **Excelben történő duplikátumkeresést**. Készüljön fel, hogy mélyebben beleássuk magunkat a témába, és olyan eszközöket kapjon a kezébe, amelyekkel búcsút inthet az adatszennyezésnek!

### Miért olyan kritikus az azonos adatok kiszűrése? 🔍

Az ismétlődő bejegyzések számos problémát generálnak, amelyek messze túlmutatnak az esztétikán:
* **Adatintegritás romlása:** A tévesen rögzített vagy többszörösen szereplő adatok hamis képet festhetnek a valóságról.
* **Elemzési pontatlanság:** Az elemzések, jelentések megbízhatatlanokká válnak, ha ugyanazt az adatot többször is figyelembe veszik.
* **Erőforrás-pazarlás:** Időt és energiát emészthet fel a felesleges adatok feldolgozása, tárolása és karbantartása.
* **Kommunikációs hibák:** Képzeljük el, hogy egy ügyfél kétszer kap meg egy emailt, mert az adatlapon duplikáltan szerepel. Ez rontja a felhasználói élményt és a cég hitelességét.
* **Döntéshozatal torzítása:** Ha a vezetőség pontatlan adatokra alapozva hoz döntéseket, az súlyos következményekkel járhat.

Éppen ezért nem elegendő pusztán a szemünkkel átfutni a táblázatokon. Szisztematikus, automatizált megközelítésre van szükségünk.

### Kezdjük az alapokkal: Feltételes formázás és COUNTIF 📊

Mielőtt belevetnénk magunkat a mélyebb vizekbe, érdemes felfrissíteni az emlékezetünket két alapvető, de rendkívül hasznos eszközről, amelyek kiindulópontul szolgálhatnak.

#### Feltételes formázás: Gyors vizuális azonosítás ✨
Az Excel beépített **feltételes formázás** funkciója az egyik leggyorsabb és legegyszerűbb módja annak, hogy vizuálisan azonosítsuk az azonos tartalmú cellákat.

**Hogyan működik?**
1. Jelölje ki azt az oszlopot vagy cellatartományt, ahol a duplikátumokat keresni szeretné.
2. Lépjen a menüszalagon a *Kezdőlap* fülre.
3. Válassza a *Feltételes formázás* opciót.
4. Kattintson a *Cellakijelölési szabályok* menüpontra, majd az *Ismétlődő értékek* lehetőségre.
5. Válassza ki a kívánt formázási stílust (pl. piros kitöltés, zöld szöveg), és máris látni fogja a másolatokat.

Ez a módszer azonnali vizuális visszajelzést ad, de leginkább **teljesen azonos cellatartalmak** esetén hatékony. Mi van azonban, ha csak részleges egyezéseket keresünk? Itt jön a képbe a következő szint.

#### COUNTIF függvény: A rugalmas számláló 🔢
A `COUNTIF` (HA.DARAB) függvény az Excel egyik igazi svájci bicskája, ha azonos elemek számolásáról van szó. Képes egy megadott tartományban megszámolni, hányszor fordul elő egy adott érték. Ezt a képességét kihasználva könnyedén felderíthetjük az ismétlődő bejegyzéseket.

**Példa egy oszlopban lévő duplikátumok azonosítására:**
Tegyük fel, hogy az A oszlopban lévő szövegeket szeretnénk ellenőrizni. Hozzunk létre egy segédoszlopot (pl. B oszlop), és írjuk be a következő képletet a B1 cellába, majd húzzuk lefelé:
`=HA.DARAB(A:A;A1)`

Ez a képlet megszámolja, hányszor fordul elő az A1 cella tartalma az A oszlopban. Ha az eredmény 1-nél nagyobb, akkor az A1 cella tartalma duplikátum. Ezt szűrővel vagy feltételes formázással tovább finomíthatjuk.

**Részleges egyezések keresése wild card karakterekkel (helyettesítő karakterek):**
Ez az, ahol a `COUNTIF` igazán ragyoghat! Használhatjuk a `*` (csillag) karaktert bármely karaktersorozat helyettesítésére.

Tegyük fel, hogy olyan cellákat keresünk az A oszlopban, amelyek tartalmazzák a „Kft” szót, de nem feltétlenül *csak* azt. A B oszlopban a következő képletet használhatjuk:
`=HA.DARAB(A:A;”*Kft*”)`

Ez megszámolja, hány cella tartalmazza a „Kft” stringet. Ahhoz, hogy egyedi duplikátumokat azonosítsunk, egy kicsit komplexebb képletre van szükségünk.

**Részleges szövegrészlet duplikátumainak azonosítása segédoszloppal:**
Ez a módszer már közelebb visz minket a „profi” kategóriához.
1. Hozzon létre egy új oszlopot (pl. C oszlop), amit nevezzen el „Duplikátum ellenőrzés”-nek.
2. Tegyük fel, hogy az A oszlopban vannak a vizsgálandó szövegeink (pl. „Nagy Péter Kft.”, „Kis János Bt.”, „Kft. Nagy Péter”). A cél az, hogy ha a „Nagy Péter” karaktersorozatot tartalmazza a cella, és ez többször előfordul, azt jelezze.
3. A C1 cellába írja be a következő tömbképletet (Ctrl+Shift+Enterrel kell befejezni, ha nem Office 365-öt használ):
`=HA(HA.DARAB(A:A;”*”&A1&”*”)>1;”Duplikátum”;””)`
*Megjegyzés:* Ez a képlet csak akkor működik jól, ha a *teljes cellatartalom* duplikálódik.

Valódi *részleges* duplikátumok felderítéséhez azonban bonyolultabb logika szükséges, amit a segédoszlopokkal és szövegfüggvényekkel érhetünk el.

### Fejlettebb technikák: Segédoszlopok és szövegfüggvények 🛠️

Amikor a cél nem a teljes cellatartalom, hanem csak bizonyos **szövegrészletek ismétlődésének felderítése**, akkor be kell vetnünk az Excel szövegkezelő képességeit. Itt már nem csupán az azonos bejegyzéseket keressük, hanem például azt is, hogy az „XY Kft.” és „XY Zrt.” közötti „XY” rész ismétlődik-e.

#### A LEGMAGASABB SZINTŰ RUGALMASSÁG: TEXT FUNCTIONS + COUNTIF/SUMPRODUCT
Ez a megközelítés lehetővé teszi, hogy precízen definiáljuk, mit értünk „azonos szövegrészlet” alatt. A kulcs itt az, hogy kinyerjük a releváns részletet a szövegből, majd azt ellenőrizzük ismétlődésekre.

**Gyakran használt szövegfüggvények:**
* `BAL` (LEFT): Kinyeri a szöveg bal oldaláról a megadott számú karaktert.
* `JOBB` (RIGHT): Kinyeri a szöveg jobb oldaláról a megadott számú karaktert.
* `KÖZÉP` (MID): Kinyeri a szöveg megadott pozíciójától kezdve a megadott számú karaktert.
* `KERES` (FIND) / `SZÖVEG.KERES` (SEARCH): Megkeresi egy szövegrészlet kezdőpozícióját egy másik szövegben. A `SZÖVEG.KERES` nem különbözteti meg a kis- és nagybetűket, a `KERES` igen.
* `HOSSZ` (LEN): Megadja egy szöveg karaktereinek számát.
* `SZÜRKIT` (TRIM): Eltávolítja a felesleges szóközöket a szöveg elejéről, végéről és a szavak között.

**Példa: Azonos szavak keresése egy mondatban**
Tegyük fel, hogy az A oszlopban mondatok vannak, és szeretnénk tudni, ha egy bizonyos szó (pl. „projekt”) többször szerepel különböző mondatokban.

1. **Segédoszlop a kivonáshoz:** Ha egy specifikus szót keresünk, a legegyszerűbb, ha egy `COUNTIF` képletet használunk wild cardokkal:
`=HA(HA.DARAB(A:A;”*projekt*”)>1;”Tartalmazza és ismétlődik”;””)`
Ez azonban még mindig nem a *részleges szöveg* egyediségét vizsgálja, hanem azt, hogy a *cella* tartalmazza-e a „projekt” szót, és hogy hány *másik cella* is tartalmazza.

**Példa bonyolultabb részleges egyezésre: Cégek nevének első szava**
Képzeljük el, hogy egy listánk van cégnevekről, és szeretnénk azonosítani azokat, amelyeknek az első szava megegyezik.

1. **Segédoszlop az első szó kinyerésére (B oszlop):**
`=BAL(A1;KERES(” „;A1&” „)-1)`
Ez a képlet kinyeri az első szót az A1 cellából. A `&” „` biztosítja, hogy akkor is működjön, ha csak egy szóból áll a szöveg (nincs benne szóköz).
2. **Segédoszlop a duplikátum ellenőrzésére (C oszlop):**
`=HA(HA.DARAB(B:B;B1)>1;”Első szó duplikátum”;””)`
Ez a C oszlopban jelöli, ha az első szó ismétlődik.

Ez már egy sokkal professzionálisabb megközelítés, hiszen nem a teljes cellát hasonlítjuk össze, hanem egy releváns részletét.

>

> Az adatok elemzése során gyakran tapasztalom, hogy a legtöbb felhasználó hajlamos elakadni a „túl sok adat” problémájában. Pedig a megfelelő strukturálás és a részletes, logikus lebontás kulcsfontosságú. Ahogy a példák is mutatják, egy komplex feladatot – mint a részleges duplikátumok keresése – is kisebb, kezelhetőbb lépésekre bonthatunk segédoszlopok és függvények segítségével. A cél nem csupán az adatok rendszerezése, hanem az értelmes információ kinyerése belőlük.
>

### Irány a Power Query: Az adatok átalakításának mestere 💡

Ha már komolyabb adatmennyiségről és összetettebb logika megvalósításáról van szó, vagy ha rendszeresen szeretné megismételni a duplikátumkeresési folyamatot, akkor a **Power Query** (más néven Get & Transform Data) az Ön barátja. A Power Query az Excel beépített adatelőkészítő eszköze, amely drámaian megkönnyíti az adatimportálást, -átalakítást és -tisztítást.

**Miért Power Query?**
* **Automatizálás:** A létrehozott lépések egy lekérdezés részeként mentődnek, és egy kattintással frissíthetők.
* **Adatok tisztítása:** Könnyedén eltávolíthatók a felesleges szóközök, átalakíthatók a szövegek nagybetűssé/kisbetűssé.
* **Részleges egyezések kezelése:** Lehetővé teszi komplexebb logikák építését a részleges egyezések felderítésére.
* **Nagy adatmennyiségek:** Sokkal hatékonyabban kezeli a nagy adatmennyiségeket, mint a hagyományos Excel képletek.

**Hogyan működik a Power Queryben a duplikátumkeresés?**

1. **Adatok betöltése:**
* Kattintson az *Adatok* fülre.
* Válassza az *Adatok lekérése* → *Fájlból* → *Munkafüzetből* (vagy más forrásból).
* Navigáljon a táblázatához, és töltse be a Power Query szerkesztőbe.

2. **Duplikátumok eltávolítása (teljes sorok esetén):**
* Jelölje ki az oszlopot (vagy oszlopokat), amely(ek) alapján az ismétlődő sorokat keresni szeretné.
* Kattintson a jobb gombbal az oszlop fejlécére, majd válassza az *Ismétlődések eltávolítása* opciót.
* Ez eltávolítja az *összes* duplikált sort, csak az egyedi bejegyzéseket hagyva meg.
* Ha csak azonosítani szeretné őket, de nem eltávolítani, akkor más megközelítésre van szükség.

3. **Részleges egyezések azonosítása Power Queryvel (haladó):**
Ez igényel némi M-nyelv ismeretet, de a felhasználói felületen keresztül is megtehetők az alaplépések.
* **Tisztítás:** Először is tisztítsa meg az érintett oszlopot: *Oszlop átalakítása* → *Formátum* → *Tisztítás* (extra szóközök eltávolítása).
* **Új oszlop létrehozása a részleges egyezéshez:** Ha például csak a szöveg elejét szeretné vizsgálni, vagy egy kulcsszó köré építené az azonosítást:
* *Oszlop hozzáadása* → *Egyéni oszlop*.
* Itt hozhat létre M-nyelvvel egy új oszlopot, ami a kívánt szövegrészletet tartalmazza (pl. `Text.Start([OszlopNév], 5)` az első 5 karakterre).
* **Csoportosítás és számlálás:**
* Jelölje ki az *eredeti* oszlopot és az *új, részleges egyezést tartalmazó* oszlopot (Ctrl gombbal).
* *Kezdőlap* → *Csoportosítás*.
* Válassza ki a csoportosítás alapját (pl. az újonnan létrehozott részleges egyezés oszlopot).
* Hozzon létre egy új aggregációt: *Új oszlop neve*: „Szám”, *Művelet*: „Sorok száma”.
* Ez egy új táblát hoz létre, ahol látja, mely részleges egyezések hányszor fordulnak elő.

Ez a módszer már nagyon rugalmas, és lehetővé teszi, hogy rendkívül komplex szabályokat állítsunk fel a duplikátumok felderítésére.

### Extrém esetek: VBA és Fuzzy Matching 💻

Amikor a beépített funkciók és a Power Query már nem elegendőek – például nagyon speciális, algoritmikus duplikátumkeresésre van szükségünk, vagy több, egymástól eltérő, de valószínűleg ugyanarra utaló bejegyzést kell összekapcsolnunk –, akkor jön el a **VBA (Visual Basic for Applications)** és a **Fuzzy Matching** ideje.

#### VBA: A teljes kontroll a kezünkben ✅
A VBA lehetővé teszi, hogy saját makrókat, azaz programkódokat írjunk Excelhez. Ezzel gyakorlatilag bármilyen logikát megvalósíthatunk.
* **Előnyök:** Teljes testreszabhatóság, komplex algoritmusok futtatása, automatizált tisztítási rutinok.
* **Hátrányok:** Programozási ismeretek szükségesek, hibakeresés.

**VBA alapok duplikátumkeresésre:**
Egy egyszerű VBA makróval gyorsan átfuthatunk egy tartományt, és kiemelhetjük a duplikátumokat. Egy részleges egyezésekre specializált makró már jóval bonyolultabb, de lehetséges a `InStr` vagy `Like` operátorok segítségével.

„`vba
Sub KiemelDuplikatumRészletek()
Dim Rng As Range
Dim Cell As Range
Dim KeresendoRészlet As String
Dim TalalatDarab As Long
Dim i As Long

‘ Beállítások
Set Rng = Selection ‘ A kijelölt tartományon dolgozunk
KeresendoRészlet = InputBox(„Mely szövegrészletet keresi?”)

If KeresendoRészlet = „” Then Exit Sub

‘ Tisztítás – előző formázások törlése
Rng.Interior.ColorIndex = xlNone

For Each Cell In Rng
TalalatDarab = 0
For i = 1 To Rng.Cells.Count
‘ Ha a jelenlegi cella (Cell) szövegrészlete megtalálható egy másik cellában (Rng.Cells(i))
‘ és nem ugyanaz a cella, akkor növeljük a találatok számát
If InStr(1, Rng.Cells(i).Value, KeresendoRészlet, vbTextCompare) > 0 Then
TalalatDarab = TalalatDarab + 1
End If
Next i

‘ Ha a keresett részlet több mint egyszer szerepel a tartományban, formázzuk a cellát
If TalalatDarab > 1 Then
Cell.Interior.Color = vbYellow
End If
Next Cell

MsgBox „A részleges duplikátumok sárgával kiemelve.”
End Sub
„`
*Megjegyzés:* Ez a makró egy adott, felhasználó által megadott szövegrészletet keres a kijelölt cellákban. Ha azt szeretnénk, hogy *minden* cella *minden* releváns részletét összehasonlítsa a többivel, az egy jóval összetettebb algoritmust igényel. A fenti példa bevezetésnek jó.

#### Fuzzy Matching: Közelítő egyezések felismerése 🤯
A fuzzy matching a legfejlettebb technika, amikor az **azonos szövegrészletek** nem teljesen megegyezőek, hanem csak „elég hasonlóak”. Gondoljunk névhibákra, elírásokra, rövidítésekre (pl. „Nagy P. Kft.” vs. „Nagy Péter Kft.”). Az Excel önmagában nem rendelkezik beépített fuzzy matching funkcióval, de léteznek kiegészítők (add-inek), amelyek képesek erre.

* **Példa kiegészítő:** A Microsoft ingyenes „Fuzzy Lookup Add-in for Excel” bővítménye nagyszerű eszköz a nem teljesen egyező adatok összekapcsolására. Ezt letölthetjük a Microsoft weboldaláról.
* **Működése:** Két táblázatot vesz alapul, és egy „hasonlósági küszöböt” állíthatunk be (similarity threshold). Ezután megkeresi azokat a sorokat a két táblázatban, amelyek a küszöbérték feletti hasonlósággal rendelkeznek. Ezáltal azonosíthatjuk a valószínűleg ugyanarra utaló, de enyhe eltéréseket mutató bejegyzéseket.

A fuzzy matching alkalmazása már igazi **adatminőség-ellenőrzési projektek** része, ahol a cél az adatok egységesítése és tisztítása a legapróbb hibák ellenére is.

### Összefoglalás és gyakorlati tanácsok 🏆

Az **azonos szövegrészletek keresése Excelben** egy spektrumot ölel fel az egyszerű vizuális azonosítástól a komplex algoritmikus elemzésekig. A választott módszer mindig az adott feladat komplexitásától, az adatmennyiségtől és a rendelkezésre álló időtől függ.

* **Kis adatmennyiség, gyors áttekintés:** Feltételes formázás.
* **Specifikus kulcsszavak, egy oszlopban:** `COUNTIF` wild cardokkal.
* **Részleges, strukturált egyezések, automatizálható folyamat:** Segédoszlopok szövegfüggvényekkel, majd `COUNTIF` vagy `SZUMTERMÉK` (SUMPRODUCT).
* **Nagy adatmennyiség, rendszeres tisztítás, komplexebb logika:** Power Query.
* **Nagyon specifikus, testre szabott algoritmusok, extrém esetek:** VBA.
* **Elgépelések, eltérő írásmódok, „majdnem” azonos adatok:** Fuzzy Matching add-inek.

Amikor **Excelben duplikátumokat vadászunk**, ne feledjük, hogy az **adatok tisztasága** a munkafolyamat sarokköve. Egy gondosan felépített adatbázis nem csupán időt takarít meg, hanem megbízható alapot szolgáltat minden további döntéshez és elemzéshez. Ne elégedjünk meg az átlagossal; törekedjünk a professzionális, precíz adatkezelésre! A fenti módszerekkel a kezében Ön is igazi **Excel adatvadásszá** válhat, aki magabiztosan néz szembe bármilyen adatszennyezési kihívással. Sok sikert a vadászathoz!