Python 两个字符串列之间最接近的匹配

Question

我希望在两个单独的 table 中获得两列 string 数据类型之间的最接近匹配。我认为内容并不重要。我可以通过预处理数据（降低所有字母、替换空格和停用词等）并进行连接来匹配某些词。然而，我在 350 多个匹配项中得到了大约 80 个匹配项。重要的是要知道每个 table 的长度是不同的。

我曾尝试使用我在网上找到的一些代码，但它不起作用：

def Races_chien(df1,df2):

    myList = []
    total = len(df1)
    possibilities = list(df2['Rasse'])

    s = SequenceMatcher(isjunk=None, autojunk=False)

    for idx1, df1_str in enumerate(df1['Race']):
        my_str = ('Progress : ' + str(round((idx1 / total) * 100, 3)) + '%')
        sys.stdout.write('\r' + str(my_str))
        sys.stdout.flush()

        # get 1 best match that has a ratio of at least 0.7
        best_match = get_close_matches(df1_str, possibilities, 1, 0.7)

        s.set_seq2(df1_str, best_match)
        myList.append([df1_str, best_match, s.ratio()])

        return myList

它说：TypeError: set_seq2() takes 2 positional arguments but 3 were given

我怎样才能完成这项工作？

Answer 1

您可以使用 jellyfish 库，该库具有比较两个字符串相似程度的有用工具，如果您正在寻找的话。

Answer 2

尝试更改：

s = SequenceMatcher(isjunk=None, autojunk=False)

收件人：

s = SequenceMatcher(None, isjunk=None, autojunk=False)

Answer 3

我认为你需要 s.set_seqs(df1_str, best_match) 函数而不是 s.set_seq2(df1_str, best_match) (docs)

Answer 4

这是我终于得到的答案：

from fuzzywuzzy import process, fuzz
value = []
similarity = []
for i in df1.col:
    ratio = process.extract(i, df2.col, limit= 1)
    value.append(ratio[0][0])
    similarity.append(ratio[0][1])

df1['value'] = pd.Series(value)
df1['similarity'] = pd.Series(similarity)

这会将与 df2 最接近的匹配值与 df1 中的相似度 %

相加

Python 两个字符串列之间最接近的匹配

Python closest match between two string columns

python

difflib