如何解决模糊与熊猫重复
我有 1 个 DataFrame 包含 2 列字符串数据。我需要比较列“NameTest”和“Name”。我希望列“NameTest”中的每个名称也比较“Name”列中的所有名称。如果匹配度超过 80%,则打印最接近的匹配名称。
*我的数据框
名称测试 | 姓名 | |
---|---|---|
0 | 约翰·凯尔 | 约翰·卡特 |
1 | 亚历克斯中单 | 约翰·克拉特 |
2 | 罗伯特·帕特 | 亚历克斯·米德 |
3 | 大卫贝克 | 亚历克斯 |
4 | NaN | 拍 |
5 | NaN | 罗伯特 |
6 | NaN | 大卫贝克 |
我的代码
from fuzzywuzzy import fuzz,process
import pandas as pd
import numpy as np
import difflib
cols = ["Name","NameTest"]
df = pd.read_excel(
r'D:\FFOutput\name.xlsx',usecols=cols,) # Read Excel
for i,row in df.iterrows():
na = row.Name
ne = row.NameTest
print([ne,na])
for i in na:
c = difflib.SequenceMatcher(isjunk=None,a=ne,b=na)
diff = c.ratio()*100
diff = round(diff,1)
if diff >= 80:
print(na,diff)
有什么建议吗?
感谢您的帮助
解决方法
为此,FuzzyWuzzy 提供了 process.extractOne
,它搜索高于分数阈值的最佳匹配。搜索名称 len(df)
次需要进行 len(df) * len(df)
次比较(假设没有元素是 np.nan),这对于较大的表会变得非常耗时。这就是为什么我要在我的答案中使用 RapidFuzz(我是作者),这要快得多。但是,如果性能与任务无关,您可以简单地将 import 语句替换为 Fuzzywuzzy。
您可以通过以下方式重写代码:
import numpy as np
import pandas as pd
from rapidfuzz import process,fuzz
df = pd.DataFrame({
"NameTest": ["john carry","alex midlane","robert patt","david baker",np.nan,np.nan],"Name": ["john carrt","john crat","alex mid","alex","patt","robert","david baker"]
})
# filter out non strings,since they are notsupported by rapidfuzz/fuzzywuzzy/difflib
Names = [name for name in df["Name"] if isinstance(name,str)]
for NameTest in df["NameTest"]:
if isinstance(NameTest,str):
match = process.extractOne(
NameTest,Names,scorer=fuzz.ratio,processor=None,score_cutoff=80)
if match:
print(match[0],match[1])
打印:
john carrt 90.0
alex mid 80.0
david baker 100.0
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。