Pandas 快速模糊匹配

Question

我有两个格式如下的数据框：

d = {'id2': ['1', '2'], 'name': ['paris city', 'london town']}
    df1 = pd.DataFrame(data=d)
   
print(df1)
     id2   name 
0     1  paris city              
1     1  london town   


d = {'id2': ['3', '4'], 'name': ['parid cit', 'londoon town']}
    df2 = pd.DataFrame(data=d)
   
print(df2)
     id2   name 
0     3  parid cit              
1     4  londoon town

我希望根据名称列进行模糊字符串合并。最终结果如下：

     id2  id2    name_x          name_y      match_level
0     3    1   parid cit       paris city         0.91
1     4    2   londoon town    london town        0.93

我曾尝试使用 fuzzy wuzzy 库，但是因为我正在合并的两个表都有 100k+ 行，代码需要几天才能完成运行。

我还看到了一些 'fast' 实现，例如快速模糊测试或其他使用 tfidf 或 k 最近邻的实现：但是所有代码示例都显示了如何针对列表查找单个字符串的匹配项，我'我们还没有找到任何其他 libraries/implemntation 在两个数据帧之间进行模糊合并。

模糊合并 pandas 数据帧的快速有效方法是什么？

Answer 1

import fuzzymatcher
import pandas as pd

df_left =  pd.DataFrame({'id2': ['1', '2'], 'name': ['paris city', 'london town']})

df_right =  pd.DataFrame({'id2': ['3', '4'], 'name': ['parid cit', 'londoon town']})

fuzzymatcher.fuzzy_left_join(df_left, df_right, left_on = "name", right_on = "name")

这是地址：https://github.com/RobinL/fuzzymatcher

Pandas 快速模糊匹配

Pandas fast fuzzy match

python

merge

fuzzy-search

pandas

rapidfuzz