如何解决如何将模糊函数与 apply(lambda x: ) 函数结合起来?
我有 2 个数据帧 df1 和 df2,如下所示:
df1:
Id Name
1 Tuy Hòa
2 Kiến thụy
3 Bình Tân
df2:
code name
A1 Tuy Hoà
A2 Kiến Thụy
A3 Tân Bình
现在当我使用合并时:
out_df = pd.merge(df1,df2,left_on=['Name'],right_on=['name'],how='outer')
当然结果是空的,因为例如Tuy Hòa
Tuy Hoà
(问题是位置符号“`”),...
然后我使用模糊函数并应用 lambda 但它根本不正确:(
我的功能:
def checker(Name,names):
correct_name = ''
correct_ratio = 0
if Name in names:
ratio = 100
else:
try:
x = process.extractOne(Name,names,scorer=fuzz.token_set_ratio,score_cutoff = 80)
correct_name = x[0]
#correct_ratio = x[1]
except:
correct_name = ''
#correct_ratio = 0
return correct_name
然后我转换:
names = df2['name'].tolist()
之后我使用apply循环,比较并输出正确的(df1必须基于df2才能正确)
df1['Name'] = df1['Name'].apply(lambda x: checker(x,names) if not checker(x,names) else x)
现在的输出是:
df1
Id Name
1 Tuy Hòa
2 Kiến Thụy
3 Tân Bình
看起来 Tuy Hòa
和 Kiến Thụy
是正确的,但 Bình Tân
和 Tân Bình
是不同的名称!所以在这种情况下改变位置字符是正确的而不是输入错误:(期望输出应该是:
df1
Id Name
1 Tuy Hòa
2 Kiến Thụy
3 Bình Tân
我尝试将 fuzz.ratio
与 score_cutoff = 55
一起使用,但在某些情况下这会丢失对
有比我的解决方案更好的解决方案吗? (也许没有使用模糊库?)请帮帮我。非常感谢您的帮助
解决方法
更新:策略与我之前的答案相同,但算法已从 Levenshtein distance 替换为 Damerau–Levenshtein distance。
我稍微修改了您的输入数据以更好地理解:
>>> df1
Id Name
11 1 Tuy Hòa # match 18 'Tuy Hoà'
12 2 Kiến thụy # match 16 'Kiến Thụy'
13 3 Bình Tân # no match
14 4 Louis Paul # no match
>>> df2
code name
16 A2 Kiến Thụy
17 A3 Tân Bình
18 A1 Tuy Hoà
19 A4 John Doe
使用带有 pyxDamerauLevenshtein
包的 Damerau-Levenshtein 距离计算改变一个字符所需的最小操作次数(包括单个字符的插入、删除或替换,或两个相邻字符的转置) (来源:Wikipedia)。
# pip install pyxDamerauLevenshtein
from pyxdameraulevenshtein import damerau_levenshtein_distance_seqs
seqs = df1['Name'].apply(lambda s: damerau_levenshtein_distance_seqs(s,df2['name'])
>>> seqs
11 [8,6,2,7] # 11 <-> 18 (2 operations)
12 [1,7,8,7] # 12 <-> 16 (1 operation)
13 [7,6] # 13 <-> 17 or 19 (6 operations)
14 [9,9,8] # 14 <-> 18 or 19 (8 operations)
Name: Name,dtype: object
应用 merge
并允许最大操作数:
MAXOPS = 3
df1['other'] = seqs.apply(lambda x: df2.index[x.index(min(x))]
if min(x) <= MAXOPS else pd.NA)
out = pd.merge(df1,df2,left_on='other',right_index=True,how='outer')
>>> out
Id Name other code name
11.0 1.0 Tuy Hòa 18 A1 Tuy Hoà
12.0 2.0 Kiến thụy 16 A2 Kiến Thụy
13.0 3.0 Bình Tân <NA> NaN NaN
14.0 4.0 Louis Paul <NA> NaN NaN
NaN NaN NaN 17 A3 Tân Bình
NaN NaN NaN 19 A4 John Doe
现在您可以随意删除不需要的所有列,保留一个名称等。
,如果您的两个 DataFrame 之间的偏差完全是
- 不同的口音
- 大写/小写差异和
- 交换了名字和姓氏,
我会在两个 DataFrames 中创建一个新列 name_normalized
- has all accents stripped
- 转换为小写和
- 对单个单词进行排序。
如果您仍然没有在 merge
上获得完全匹配,那么最好建议您查看现有的模糊匹配库,如问题 is it possible to do fuzzy match merge with python pandas?
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。