识别接近重复的关键字并替换它们

Question

我有一个如下所示的数据框

ID,Name,year,output
1,Test Level,2021,1
2,Test Lvele,2022,1
2,dummy Inc,2022,1
2,dummy Pvt Inc,2022,1
3,dasho Ltd,2022,1
4,dasho PVT Ltd,2021,0
5,delphi Ltd,2021,1
6,delphi pvt ltd,2021,1

df = pd.read_clipboard(sep=',')

我的objective是

a) 使用通用字符串替换几乎重复的字符串。

例如 - 让我们从 Name 列中选择几个字符串。我们有 dummy Inc 和 dummy Pvt Inc。这些都必须替换为 dummy

我手动准备了一个映射 df map_df 如下（但不能为大数据这样做）

  Name,correct_name
  Test Level,Test
  Test Lvele,Test
  dummy Inc,dummy
  dummy Pvt Inc,dummy
  dasho Ltd,dasho
  dasho PVT Ltd,dasho
  delphi Ltd,delphi
  delphi pvt ltd,delphi

所以，我尝试了以下方法

map_df = map_df.set_index(Name)
df['Name'] = df['Name'].map(map_df) # but this doesn't work and throws error

创建映射 table 是唯一的方法还是有任何基于 NLP 的方法？

我希望我的输出如下所示

ID,Name,year,output
1,Test,2021,1
2,Test,2022,1
2,dummy,2022,1
2,dummy,2022,1
3,dasho,2022,1
4,dasho,2021,0
5,delphi,2021,1
6,delphi,2021,1

Answer 1

你可以试试这个：

df['Name'] = [name.split()[0] for name in df['Name']]

Answer 2

我建议对 map_df 使用 dict 而不是 pandas.DataFrame。

ID,Name,year,output
1,Test Level,2021,1
2,Test Lvele,2022,1
2,dummy Inc,2022,1
2,dummy Pvt Inc,2022,1
3,dasho Ltd,2022,1
4,dasho PVT Ltd,2021,0
5,delphi Ltd,2021,1
6,delphi pvt ltd,2021,1

df = pd.read_clipboard(sep=',')

map_dict = dict(s.strip().split(',') for s in '''  Test Level,Test
  Test Lvele,Test
  dummy Inc,dummy
  dummy Pvt Inc,dummy
  dasho Ltd,dasho
  dasho PVT Ltd,dasho
  delphi Ltd,delphi
  delphi pvt ltd,delphi'''.split('\n'))

df['Name'] = df['Name'].map(map_dict.get)

结果：

df.to_clipboard(sep=',')

,ID,Name,year,output
0,1,Test,2021,1
1,2,Test,2022,1
2,2,dummy,2022,1
3,2,dummy,2022,1
4,3,dasho,2022,1
5,4,dasho,2021,0
6,5,delphi,2021,1
7,6,delphi,2021,1

如果map_df已经是一个有两列的DataFrame并且你想把这两列变成一个dict，这个相关的问题：How to create a dictionary of two pandas DataFrame columns?提出了一些方法：

map_dict = dict(zip(map_df['Name'], map_df['correct_name']))

map_dict = pd.Series(map_df['correct_name'].values,index=map_df['Name']).to_dict()

map_dict = map_df.set_index('Name').to_dict()['correct_name']

map_dict = dict(map_df.to_records(index=False))

识别接近重复的关键字并替换它们

Identifying near duplicate keywords and replacing them

python

pandas

dataframe

nlp

nltk