数据框中每行两列的字符串匹配

Question

假设我有一个 pandas 数据框，如下所示：

ID    String1                         String2
1     The big black wolf              The small wolf
2     Close the door on way out       door the Close
3     where's the money               where is the money
4     123 further out                 out further

我想在进行模糊字符串匹配之前交叉标记 String1 和 String2 列中的每一行，类似于。

我的挑战是，我发布的 link 中的解决方案仅在 String1 和 String2 中的字数相同时才有效。其次，该解决方案会查看列中的所有行，而我希望我的解决方案只进行逐行比较。

建议的解决方案应该对第 1 行进行矩阵比较，例如：

       string1     The  big  black  wolf  Maximum
       string2
       The          100  0    0      0     100
       small        0    0    0      0     0
       wolf         0    0    0      100   100

ID    String1                         String2               Matching_Average
1     The big black wolf              The small wolf        66.67
2     Close the door on way out       door the Close
3     where's the money               where is the money
4     123 further out                 out further

其中匹配平均值是 'maximum' 列的总和除以 String2

中的单词数

Answer 1

您可以先从 2 系列中获取虚拟值，然后获取列的交集，将它们相加并除以第二列的虚拟值：

a = df['String1'].str.get_dummies(' ')
b = df['String2'].str.get_dummies(' ')
u = b[b.columns.intersection(a.columns)]
df['Matching_Average'] = u.sum(1).div(b.sum(1)).mul(100).round(2)

print(df)

   ID                    String1             String2  Matching_Average
0   1         The big black wolf      The small wolf             66.67
1   2  Close the door on way out      door the Close            100.00
2   3          where's the money  where is the money             50.00
3   4            123 further out         out further            100.00

否则如果你对字符串匹配算法没问题，你可以使用difflib:

from difflib import SequenceMatcher
[SequenceMatcher(None,x,y).ratio() for x,y in zip(df['String1'],df['String2'])]
#[0.625, 0.2564102564102564, 0.9142857142857143, 0.6153846153846154]

数据框中每行两列的字符串匹配

String matching per row of two columns in a dataframe

fuzzy

matrix

python-3.x

pandas