模糊复制 pandas

Question

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“NameTest”列中的每个名称都与列 'Name' 中的所有名称进行比较。如果他们匹配超过 80%，则打印最接近的匹配名称。

*我的数据框

	NameTest	Name
0	john carry	john carrt
1	alex midlane	john crat
2	robert patt	alex mid
3	david baker	alex
4	NaN	patt
5	NaN	robert
6	NaN	david baker

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

Answer 1

为此，FuzzyWuzzy 提供了 process.extractOne，它会搜索高于分数阈值的最佳匹配。搜索名称 len(df) 次需要 len(df) * len(df) 次比较（假设没有元素是 np.nan），这对于更大的表来说会变得非常耗时。这就是为什么我要在我的回答中使用 RapidFuzz（我是作者），这样会快很多。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。

您可以按以下方式重写您的代码：

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, 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

模糊复制 pandas

fuzzy duplicated with pandas

python

pandas

dataframe

fuzzywuzzy