Python/Pandas:如何使用 FuzzyWuzzy 用国家/地区名称替换列中的拼写错误?

如何解决Python/Pandas:如何使用 FuzzyWuzzy 用国家/地区名称替换列中的拼写错误?

我有一个包含大约 50 万行的数据框,其中包含一个名为 country 的列等。我的目标是替换 country 列的条目有不同拼写错误的所有可能值。

例如:

import pandas as pd
# Starting dataset:
d = {'country': ['Unites Sates','United state','Cnda','canada','United State','United sates of America','Mexio','mexico','Mejico','America','U.S.A.','UsA of A','cAnada','u. s. a. ','United States of America']}
df = pd.DataFrame(data=d)
df

                     country
0               Unites Sates #wants to replace
1               United state #wants to replace
2                       Cnda #wants to replace
3                     canada #wants to replace
4               United State #wants to replace
5    United sates of America #wants to replace
6                      Mexio #wants to replace
7                     Mexico #wants to replace
8                     Mejico #wants to replace
9                    America #wants to replace
10                    U.S.A. #wants to replace
11                  UsA of A #wants to replace
12                    cAnada #wants to replace
13                 u. s. a.  #wants to replace
14  United States of America


# Expected Outcome:
d = {'country': ['United States of America','United States of America','Canada','Mexico','United States of America']}
df = pd.DataFrame(data=d)
df

                     country
0   United States of America #replaced
1   United States of America #replaced
2                     Canada #replaced
3                     Canada #replaced
4   United States of America #replaced
5   United States of America #replaced
6                     Mexico #replaced
7                     Mexico #replaced
8                     Mexico #replaced
9   United States of America #replaced
10  United States of America #replaced
11  United States of America #replaced
12                    Canada #replaced
13  United States of America #replaced
14  United States of America

我尝试的其中一件事是创建一个名为 correct_countries_df 的列表,其中包含正确的国家/地区名称并将其用作:

df['country_BestMatch'] = df['country'].map(lambda x: process.extractOne(x,correct_countries_df['country'])[0])

但似乎我做不到。

有什么想法吗?

提前致谢!

解决方法

如果您的 correct_countries_df 看起来像:

>>> correct_countries_df

                    country
0  United States of America
1                    Canada
2                    Mexico

那么,你的代码是正确的

>>> df['country'].map(lambda x: process.extractOne(x,correct_countries_df['country'])[0])

0     United States of America
1     United States of America
2                       Canada
3                       Canada
4     United States of America
5     United States of America
6                       Mexico
7                       Mexico
8                       Mexico
9     United States of America
10    United States of America
11    United States of America
12                      Canada
13    United States of America
14    United States of America
Name: country,dtype: object

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐


Selenium Web驱动程序和Java。元素在(x,y)点处不可单击。其他元素将获得点击?
Python-如何使用点“。” 访问字典成员?
Java 字符串是不可变的。到底是什么意思?
Java中的“ final”关键字如何工作?(我仍然可以修改对象。)
“loop:”在Java代码中。这是什么,为什么要编译?
java.lang.ClassNotFoundException:sun.jdbc.odbc.JdbcOdbcDriver发生异常。为什么?
这是用Java进行XML解析的最佳库。
Java的PriorityQueue的内置迭代器不会以任何特定顺序遍历数据结构。为什么?
如何在Java中聆听按键时移动图像。
Java“Program to an interface”。这是什么意思?
Java在半透明框架/面板/组件上重新绘画。
Java“ Class.forName()”和“ Class.forName()。newInstance()”之间有什么区别?
在此环境中不提供编译器。也许是在JRE而不是JDK上运行?
Java用相同的方法在一个类中实现两个接口。哪种接口方法被覆盖?
Java 什么是Runtime.getRuntime()。totalMemory()和freeMemory()?
java.library.path中的java.lang.UnsatisfiedLinkError否*****。dll
JavaFX“位置是必需的。” 即使在同一包装中
Java 导入两个具有相同名称的类。怎么处理?
Java 是否应该在HttpServletResponse.getOutputStream()/。getWriter()上调用.close()?
Java RegEx元字符(。)和普通点?