如何解决使用fuzzywuzzy
我拥有的数据集是手动填充的地址。
我想要寻找的城市是“伊斯坦布尔”。它有一个土耳其语字符,我也遇到了一些编码问题。例如,在 İstanbul 中使用 lower()'ing 不会返回一个我可以在正则表达式模式中使用常规 'i' 获取的字符。
因此,以及其他原因,我改变了模糊字符串搜索的方法。我想为我的模糊查找算法提供参考字符串:'/ist' 和 'İstanbul' - 这些是要在我的地址列中查找的参考值。
包含我想要捕捉的短语的行示例:
...İSYTANBUL...
...isanbul...
...Istanbul...
...İ/STANBUL...
...,STANBUL/ÜSKÜDAR...
isatanbul
iatanbul
İSTRANBUL
isytanbul
/isanbul
这些是完整的地址,所以我发现 partial_ratio 比 ratio 更有效。
我的目标是在行级别使用模糊 wuzzy.partial_ratio 和字符串 'istanbul' 或 '/ist。并使用分数 partial_ratio 返回为该行索引的首选列获取 True 或 False — 在代码中引用为 'istanbul mu'
。
我开发的代码如下,但每次运行时它都会停在大约 25k 行处。而且速度非常慢。你认为有没有更高效的方式来完成任务?
def fuzzy(string,df,columnname):
fullrange = len(df[columnname])
for i in range(fullrange):
if fuzz.partial_ratio(string,df[columnname][i]) > 70:
df.loc[df.index == i,'istanbul mu'] = True
else:
df.loc[df.index == i,'istanbul mu'] = False
解决方法
这种方法做得更好。使用 .process 可能会产生更好的结果,但仅供参考:
def applyfuzzy(row):
if fuzz.partial_ratio('the string',row['column holding the address to be queried']) > 65:
return True
else:
return False
df['preferredcolumn'] = df.apply(applyfuzzy,axis=1)
,
作为您自己答案的更快替代方案,您可以将 FuzzyWuzzy 替换为 RapidFuzz,它具有更快的 fuzz.partial_ratio
实现
from rapidfuzz import fuzz
def applyfuzzy(row):
return fuzz.partial_ratio('the string',row['address_column'],score_cutoff=70) > 70
df['column'] = df.apply(applyfuzzy,axis=1)
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。