我有一組旨在將公司匹配在一起的遺留資料（基于許多不同的因素）。但是，我想僅根據來自不同組態檔的名稱（并且可能存在細微差異）對匹配進行一些 QA。
假設一個資料集如下：
| 比賽編號 | 姓名左 | 姓名權 |
|---|---|---|
| 1 | 檸檬農場 | 檸檬農場公司 |
| 2 | 桃樹 | 桃樹農場 |
| 3 | 番茄林 | 橙色獵豹農場 |
他們是一種演算法或 pythonic 方式來知道例如 1 和 2 可能匹配得很好而 3 匹配得不好？這個，沒有任何 ML 等。
我想我需要以某種方式創造一個分數并淘汰它。但是，如果他們是最佳實踐，我會喜歡一些輸入。
我的一些想法是查看模式，比較集合中的字母等。但是，無法執行它們。
uj5u.com熱心網友回復：
你可以試試fuzzywuzzyscore ，然后你只需要為 cut 設定分數限制
from fuzzywuzzy import fuzz
df['score'] = df[['Name Left','Name Right']].apply(lambda x : fuzz.partial_ratio(*x),axis=1)
df
Out[134]:
Match ID Name Left Name Right score
0 1 LemonFarms Lemon Farms Inc 90
1 2 Peachtree PeachTree Farms 89
2 3 Tomato Grove Orange Cheetah Farm 13
uj5u.com熱心網友回復：
他們是一種演算法或 pythonic 方式來知道例如 1 和 2 可能匹配得很好而 3 匹配得不好？這個，沒有任何 ML 等。
為了計算兩個字串之間的相似性，您可以使用Levenshtein distance，到目前為止我知道它不可用，pandas因此您需要其他庫來完成此任務，如果您想要易于使用，我可能會建議使用pylev，但您可以使用選擇使用另一個一，特別是如果您發現需要為不同的替換使用不同的成本（所謂的加權 Levenshtein 距離）
使用您的樣本資料：
import pandas as pd
import pylev
df = pd.DataFrame({"nameleft":["LemonFarms","Peachtree","Tomato Grove"],"nameright":["Lemon Farms Inc","PeachTree Farms","Orange Cheetah Farm"]})
df["distance"] = df.apply(lambda x:pylev.levenshtein(x.nameleft,x.nameright),axis=1)
print(df)
輸出
nameleft nameright distance
0 LemonFarms Lemon Farms Inc 5
1 Peachtree PeachTree Farms 7
2 Tomato Grove Orange Cheetah Farm 18
您將需要選擇截止值或值，超過該值的名稱將被視為不同。
以上假設您可以根據需要使用外部庫，如果不是這種情況，您可能需要自己實作 Levenshtein 距離計算功能。如果您擔心等價（基本）Levenshtein 距離，這應該不是什么大問題，您可能會python在Rosetta Code中閱讀一些實作。
uj5u.com熱心網友回復：
萊文斯坦距離
無論如何，我不是這方面的專家，但我以前聽說過Levenshtein Distance。
... Levenshtein 距離是用于測量兩個序列之間差異的字串度量。
它將為您提供一個數字，定義兩個字串的相似程度。數字越大，兩個字串的相似度就越高。你可以在 python 中使用它和包fuzzywuzzy。
pip install fuzzywuzzy
例子：
from fuzzywuzzy import fuzz
n1 = "LemonFarms"
n2 = "Lemon Farms Inc"
m1 = "Tomato Grove"
m2 = "Orange Cheetah Farm"
print(fuzz.ratio(n1, n2))
print(fuzz.ratio(m1, m2))
這將為表格的第一行回傳80 ，為第三行回傳6。玩這個，讓我知道你是否找到了讓你滿意的東西。這里還有更多示例。
uj5u.com熱心網友回復：
Levenshtein模塊實作了著名的 Levenshtein 模糊匹配演算法以及其他相關演算法（例如 Jaro、Jaro-Winkler 等）。
Levenshtein.jaro_winkler()是一個字串相似度度量，它賦予公共前綴更多的權重，因為拼寫錯誤更可能發生在單詞的末尾附近。它回傳一個從 0.0 到 1.0 的數值，其中 1.0 最相似。
Levenshtein.distance()計算將一個序列更改為另一個序列所需的最小插入、洗掉和替換次數。
import pandas as pd
import Levenshtein
data = [[1, 'LemonFarms', 'Lemon Farms Inc'],
[2, 'Peachtree', 'PeachTree Farms'],
[3, 'Tomato Grove', 'Orange Cheetah Far']
]
df = pd.DataFrame(data, columns=['Match ID', 'Name Left', 'Name Right'])
df['score'] = df[['Name Left', 'Name Right']].apply(lambda x: Levenshtein.jaro_winkler(*x), axis=1)
df['distance'] = df[['Name Left', 'Name Right']].apply(lambda x: Levenshtein.distance(*x), axis=1)
print(df)
輸出：
Match ID Name Left Name Right score distance
0 1 LemonFarms Lemon Farms Inc 0.933333 5
1 2 Peachtree PeachTree Farms 0.884444 7
2 3 Tomato Grove Orange Cheetah Far 0.431481 17
為了提高分數，您可以在計算相似度分數之前將值轉換為小寫字符，這樣分數不區分大小寫。
df['score'] = df[['Name Left', 'Name Right']].apply(
lambda x: Levenshtein.jaro_winkler(x[0].lower(), x[1].lower()), axis=1)
這將 Peachtree vs PeachTree Farms 的得分從 0.884444 更改為 0.920000。您可以使用截止閾值；例如 score >= 0.9 表示字串匹配良好，< 0.9 表示匹配不良。
轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/424769.html