Python-使用Fuzzy Wuzzy进行字符串匹配（提取单个字母而不是单词）

Question

目的

获取公司B的会计说明（例如“现金”），并将其与公司A的会计说明（例如“现金汇总”）相匹配。

方法

1. 记录公司A和公司B的会计说明，将它们各自放入自己的数据框中（将公司A的会计说明分配为“ approved_accts”）。 使公司A的会计说明= approved_accts的帐户
2. 使用python的Fuzzywuzzy软件包，将B公司的会计说明与approved_accts的accts进行比较。 如果模糊模糊匹配高于某个阈值，则将“ approve_accts”标签附加到公司B的会计说明中（最好在相邻列中，这样公司B的原始说明就不会丢失）。

码

import pandas as pd
from fuzzywuzzy import process
from fuzzywuzzy import fuzz

fileLoc = r'...\mapping.xlsx'
xls = pd.ExcelFile(fileLoc)

df_plp = xls.parse('PLP')
df_nbg = xls.parse('NBG')

df_plp.head(10)
#Confirmed the plp.head layout matches the excel file

df_nbg.head(10)
#Confirmed the nbg.head layout matches the excel file

#pull out the Account Descriptions for comparison
approved_accts = df_nbg['Account Description']
plp_accts = df_plp['Account Description']

#Test fuzzywuzzy
process.extract('Cash', 'Cash Cash Rollup')

OUTPUT

process.extract('Cash', 'Cash Cash Rollup')

[（'C'，90），（'a'，90），（'s'，90），（'h'，90），（'C'，90）]

process.extractOne('Cash', 'Cash Cash Rollup')

（'C'，90）

fuzz.token_set_ratio('Cash', 'Cash Cash Rollup')

100

质询

1. 在输出＃1、2中-似乎FuzzyWuzzy正在分解每个字符以进行比较（这是不正确的）。 我在网上寻找并发现以下github问题 。 但是，就在昨天，该实现还在处理另一个示例。 我在想，这可能是什么原因？

2. 对于每个帐户描述，都有一个唯一的ID（“帐户编号”）。 有什么办法可以使这个唯一的ID向前发送，以使公司B的“现金”帐户（帐户ID：B123）与公司A的批准列表“现金汇总”（帐户ID：A321）匹配，以便我可以看到哪个帐号需要重新映射吗？ 本质上，当我们比较每个公司的帐户描述时，这些帐号只是“随身携带的”，但是当我深入到记帐软件/ ERP系统中时，这些帐号将变得很有价值。

3. 您是否建议使用其他任何库（而不是Fuzzywuzzy）来帮助完成此过程？

Answer 1

RE 1：似乎FuzzyWuzzy的process函数希望将列表作为第二个参数，所以也许它将字符串解析为字符列表？ 请参阅模糊的模糊文档 。 使用pandas series / df .unique()方法可能也很有意义，以避免必须处理可能的重复项。

RE 2：如果您有一个包含A和B列的表，以及另一个具有C和D列的表，并且有一个从A到C的映射（例如，从模糊字符串匹配中），则可以通过加入来获得一个从B到D的映射A和C上的两个数据帧，然后查找B和D的所有唯一对。类似这样的东西： joined_df[['B', 'D']].unique() 。

RE 3：我个人使用FuzzyWuzzy在模糊字符串匹配中连接两个单独的数据帧，并且没有编写自己的库来完成相同的任务，我认为这可能是最好的方法。 定义一个采用系列并使用FuzzyWuzzy的ExtractOne选择并返回最接近的匹配的函数是快速且相对容易的。

Answer 2

您是否检查了process.extract https://github.com/seatgeek/fuzzywuzzy/blob/master/fuzzywuzzy/process.py#L132的文档？

您需要传递可迭代的内容（列表或字典）

下面的作品：

process.extract('Cash', 'Cash Cash Rollup'.split(' '))

[（'Cash'，100），（'Cash'，100），（'Rollup'，0）]