Python string_grouper 中的 match_most_similar 返回原始字符串

如何解决Python string_grouper 中的 match_most_similar 返回原始字符串

我有一个混乱的字符串列表，我想从格式清晰的字符串列表中找到每个字符串的最佳匹配，其中还包含有关每个字符串的元数据。混乱列表中的字符串在列表中随机重复（通常使用字符串的替代拼写）。杂乱字符串的列表太长，以致于通过 fuzzywuzzy 循环是不可行的。

我一直在尝试使用 match_most_similar 库中的 string_grouper。当我使用此代码应用该函数时：

import pandas as pd
import numpy as np
from string_grouper import match_strings,match_most_similar,group_similar_strings,StringGrouper
new_strings = pd.Series(df['Cited'])
# Create all matches:
matches = match_most_similar(data['caseName'],new_strings)

# display the results:
pd.DataFrame({'new_strings': new_strings,'duplicates': matches})

match_most_similar 函数返回原始字符串，而不是它们从干净列表中的匹配项。 （data['caseName'] 是干净的字符串列表。）这是输出。 duplicates 中出现的所有内容都不是来自 data['caseName']。

pd.DataFrame({'new_strings': new_strings,'duplicates': matches})
                                  new_strings                                    duplicates
0  Ashwander v. Tennessee Valley Authority,.txt  Ashwander v. Tennessee Valley Authority,.txt
1                             Bell v. Hood,.txt                             Bell v. Hood,.txt
2    Charles River Bridge v. Warren Bridge,.txt    Charles River Bridge v. Warren Bridge,.txt

有人知道我做错了什么吗？

作为参考，new_strings 看起来像这样（我将其限制为帖子的 3 个元素）：

0    Ashwander v. Tennessee Valley Authority,.txt
1                               Bell v. Hood,.txt
2      Charles River Bridge v. Warren Bridge,.txt
Name: Cited,dtype: object

和 data['caseName'] 看起来像这样：

data['caseName']
0       HALLIBURTON OIL WELL CEMENTING CO. v. WALKER e...
1                              CLEVELAND v. UNITED STATES
2           CHAMPLIN REFINING CO. v. UNITED STATES ET AL.
3        UNITED STATES v. ALCEA BAND OF TILLAMOOKS ET AL.
4              UNITED STATES v. HOWARD P. FOLEY CO.,INC.
                              ...                        
9025     DEPARTMENT OF HOMELAND Security v. THURAISSIGIAM
9026    SEILA LAW LLC v. CONSUMER FINANCIAL PROTECTION...
9027            LIU v. SECURITIES AND EXCHANGE COMMISSION
9028                      COLORADO DEPT. OF STATE v. BACA
9029                             TRUMP v. MAZARS USA,LLP
Name: caseName,Length: 9030,dtype: object```

解决方法

我是 string_grouper 的投稿人，很抱歉我没有早点注意到您的问题。

match_most_similar 返回原始字符串，如果它在相似性阈值 (min_similarity) 上找不到匹配项，默认值为 0.8。所以你可以尝试降低它的值，看看你是否得到更合适的结果。例如，

matches = match_most_similar(data['caseName'],new_strings,min_similarity=0.6)

请记住，min_similarity 的最低值为 0，最高为 1。此外，通常情况下，相似性阈值越低，match_most_similar 的运行时间就越长。

>

另请参阅 https://github.com/Bergvca/string_grouper#kwargs 以获取您可以调整以改善结果的其他选项列表。