[英]Replace similar strings in a column with the same string
我有一个 Pandas 数据框,用于收集进行交易的供应商的名称。 由于此数据是从银行对帐单中自动收集的,因此许多供应商都相似……但并不完全相同。 总之,我想用一个名称替换供应商名称的不同排列。
我想我可以找到一种方法来做到这一点(见下文),但我是一个初学者,在我看来这是一个复杂的问题。 我真的很想知道更有经验的编码人员会如何处理它。
我有一个这样的数据框(在现实生活中,它大约有 20 列,最多大约 50 行):
Groceries Car Luxuries
0 Sainsburys Texaco wst453 Amazon
1 Sainsburys bur Texaco east Firebox Ltd
2 Sainsbury's east Shell wstl Sony
3 Tesco Shell p/stn Sony ent nrk
4 Tescos ref 657 Texac Amazon EU
5 Tesco 45783 Moto Amazon marketplace
我想找到类似的条目并将它们替换为这些条目的第一个实例,所以我最终会得到这个:
Groceries Car Luxuries
0 Sainsburys Texaco wst453 Amazon
1 Sainsburys Texaco wst453 Firebox Ltd
2 Sainsburys Shell wstl Sony
3 Tesco Shell wstl Sony
4 Tesco Texaco wst453 Amazon
5 Tesco Moto Amazon
我的解决方案可能远非最佳。 我正在考虑按字母顺序排序,然后按位排序并使用来自 difflib 的 SequenceMatcher 之类的东西来比较每对供应商。 如果相似度高于某个百分比(我希望在我满意之前一直使用这个值),那么这两个供应商将被认为是相同的。 我担心我可能会使用大锤敲碎坚果,或者可能需要很长时间(我并不痴迷于性能,但同样我不想等待几个小时才能获得结果)。
真的很想听听人们对这个问题的想法!
一开始,这个问题看起来并不复杂,但它确实如此。
我使用名为fuzzywuzzy 的字符串相似性包来决定必须替换哪个字符串。 这个包使用了 Levenshtein Similarity,我使用了 %90 作为阈值。 此外,任何字符串的第一个单词用作比较字符串。 这是我的代码:
import pandas
from fuzzywuzzy import fuzz
# Replaces %90 and more similar strings
def func(input_list):
for count, item in enumerate(input_list):
rest_of_input_list = input_list[:count] + input_list[count + 1:]
new_list = []
for other_item in rest_of_input_list:
similarity = fuzz.ratio(item, other_item)
if similarity >= 90:
new_list.append(item)
else:
new_list.append(other_item)
input_list = new_list[:count] + [item] + new_list[count :]
return input_list
df = pandas.read_csv('input.txt') # Read data from csv
result = []
for column in list(df):
column_values = list(df[column])
first_words = [x[:x.index(" ")] if " " in x else x for x in column_values]
result.append(func(first_words))
new_df = pandas.DataFrame(result).transpose()
new_df.columns = list(df)
print(new_df)
输出:
Groceries Car Luxuries
0 Sainsbury's Texac Amazon
1 Sainsbury's Texac Firebox
2 Sainsbury's Shell Sony
3 Tesco Shell Sony
4 Tesco Texac Amazon
5 Tesco Moto Amazon
更新:
更具可读性的func
版本,它产生相同的结果:
def func(input_list):
for i in range(len(input_list)):
for j in range(len(input_list)):
if i < j and fuzz.ratio(input_list[i], input_list[j]) >= 90:
input_list[i] = input_list[j] # Keep the last encountered item
# Use following line to keep the first encountered item
# input_list[j] = input_list[i]
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.