python - 用熊猫模糊重复
问题描述
我有 1 个 DataFrame 包含 2 列字符串数据。我需要比较列“NameTest”和“Name”。我希望列'NameTest'中的每个名称都比较列'Name'中的所有名称。如果它们匹配超过 80%,则打印最接近的匹配名称。
*我的数据框
名称Test | 姓名 | |
---|---|---|
0 | 约翰携带 | 约翰·卡特 |
1 | 亚历克斯中路 | 约翰克拉特 |
2 | 罗伯特·帕特 | 亚历克斯·米德 |
3 | 大卫贝克 | 亚历克斯 |
4 | 钠 | 帕特 |
5 | 钠 | 罗伯特 |
6 | 钠 | 大卫贝克 |
我的代码
from fuzzywuzzy import fuzz, process
import pandas as pd
import numpy as np
import difflib
cols = ["Name", "NameTest"]
df = pd.read_excel(
r'D:\FFOutput\name.xlsx', usecols=cols,) # Read Excel
for i, row in df.iterrows():
na = row.Name
ne = row.NameTest
print([ne, na])
for i in na:
c = difflib.SequenceMatcher(isjunk=None, a=ne, b=na)
diff = c.ratio()*100
diff = round(diff, 1)
if diff >= 80:
print(na, diff)
有什么建议么?
感谢您的帮助
解决方案
为此,FuzzyWuzzy 提供了process.extractOne
,它搜索分数阈值以上的最佳匹配。搜索名称len(df)
时间需要len(df) * len(df)
比较(假设没有元素是 np.nan),这对于较大的表可能会变得非常耗时。这就是为什么我要在我的答案中使用RapidFuzz(我是作者),这要快得多。但是,如果性能与任务无关,您可以简单地将 import 语句替换为fuzzywuzzy。
您可以通过以下方式重写您的代码:
import numpy as np
import pandas as pd
from rapidfuzz import process, fuzz
df = pd.DataFrame({
"NameTest": ["john carry", "alex midlane", "robert patt", "david baker", np.nan, np.nan, np.nan],
"Name": ["john carrt", "john crat", "alex mid", "alex", "patt", "robert", "david baker"]
})
# filter out non strings, since they are notsupported by rapidfuzz/fuzzywuzzy/difflib
Names = [name for name in df["Name"] if isinstance(name, str)]
for NameTest in df["NameTest"]:
if isinstance(NameTest, str):
match = process.extractOne(
NameTest, Names,
scorer=fuzz.ratio,
processor=None,
score_cutoff=80)
if match:
print(match[0], match[1])
打印:
john carrt 90.0
alex mid 80.0
david baker 100.0
推荐阅读
- java - JAX-RS 客户端是否调用已注册的 ContextResolver[s]?
- azure - Application Insights 中缺少故障异常智能警报
- java - Android Widget多个实例同一个widget冲突
- autodesk-forge - 如何使用标记扩展呈现线条标记?
- android - 如何检查是否单击了键盘上的输入?
- android - 类型不匹配:推断的类型是但预期的
- c - 如何停止或跳转信号并转到主?
- azure-sql-database - azure vnet 服务端点是否为 Azure 服务生成私有 ip
- maxima - 导数下的评估
- python - 调用对象的特定状态代码块的最有效方法是什么?