从数据框列到特定字符串 python 获取最相似的值

如何解决从数据框列到特定字符串 python 获取最相似的值

我想从数据框列中找到与指定字符串最相似的值，例如a='book'。假设数据框如下所示：df

col1
wijk 00 book
Wijk a 
test

现在我想返回 wijk 00 book，因为它与 a 最相似。我正在尝试使用 fuzzywuzzy 包执行此操作。

因此，我有一个数据框 A，其中包含我想要为其设置类似值的值。然后我使用：

A['similar_value'] = A.col1.apply(lambda x: [process.extract(x,df.col1,limit=1)][0][0][0])  

但是当比较很多字符串时，这需要太多时间。有谁知道如何快速做到这一点？

解决方法

我会使用rapidfuzz：

from rapidfuzz import process,fuzz

df = pd.DataFrame(['wijk 00 book','Wijk a','test'],columns=['col1'])

search_str = 'book'
most_similar = process.extractOne(search_str,df['col1'],scorer=fuzz.WRatio)

输出：

most_similar
('wijk 00 book',90.0,0)

这会为您提供列中最相似的字符串以及它与您的搜索字符串的相似程度的分数。

,

您可以使用 'str.contains' 方法来获取确切子字符串的字符串

df[df["column_name"].str.contains("book")].values[0][0]

,

用 Series.idxmax() 试试 fuzz.ratio()。这将针对 col1 定位具有最高模糊分数的 a 值：

from rapidfuzz import fuzz

a = 'book'
df.loc[df.col1.apply(lambda x: fuzz.ratio(x,a)).idxmax()]

# col1    wijk 00 book
# Name: 0,dtype: object

---

更新：@lolliesaurus 中的 process.extractOne() 方法更快：

>>> %timeit process.extractOne(a,df.col1,scorer=fuzz.WRatio)
11.6 µs ± 180 ns per loop (mean ± std. dev. of 7 runs,100000 loops each)

>>> %timeit df.loc[df.col1.apply(lambda x: fuzz.ratio(x,a)).idxmax()]
353 µs ± 3.45 µs per loop (mean ± std. dev. of 7 runs,1000 loops each)