![](/img/trans.png)
[英]How to apply fuzzy matching across a dataframe column with multiple lists and save results in a new column
[英]Apply fuzzy matching across a dataframe column and save results in a new column
我有兩個數據框,每個數據框都有不同的行數。 下面是每個數據集中的幾行
df1 =
Company City State ZIP
FREDDIE LEES AMERICAN GOURMET SAUCE St. Louis MO 63101
CITYARCHRIVER 2015 FOUNDATION St. Louis MO 63102
GLAXOSMITHKLINE CONSUMER HEALTHCARE St. Louis MO 63102
LACKEY SHEET METAL St. Louis MO 63102
和
df2 =
FDA Company FDA City FDA State FDA ZIP
LACKEY SHEET METAL St. Louis MO 63102
PRIMUS STERILIZER COMPANY LLC Great Bend KS 67530
HELGET GAS PRODUCTS INC Omaha NE 68127
ORTHOQUEST LLC La Vista NE 68128
我使用combined_data = pandas.concat([df1, df2], axis = 1)
並排加入了它們。 我的下一個目標是使用來自fuzzy wuzzy
模塊的幾個不同匹配命令將df1['Company']
下的每個字符串與df2['FDA Company']
下的每個字符串進行比較,並返回最佳匹配的值及其名稱。 我想將它存儲在一個新列中。 例如,如果我在df1['Company']
到df2['FDA Company']
LACKY SHEET METAL
上LACKY SHEET METAL
fuzz.ratio
和fuzz.token_sort_ratio
,它會返回最佳匹配是LACKY SHEET METAL
,得分為100
,這然后將保存在combined data
的新列下。 結果看起來像
combined_data =
Company City State ZIP FDA Company FDA City FDA State FDA ZIP fuzzy.token_sort_ratio match fuzzy.ratio match
FREDDIE LEES AMERICAN GOURMET SAUCE St. Louis MO 63101 LACKEY SHEET METAL St. Louis MO 63102 LACKEY SHEET METAL 100 LACKEY SHEET METAL 100
CITYARCHRIVER 2015 FOUNDATION St. Louis MO 63102 PRIMUS STERILIZER COMPANY LLC Great Bend KS 67530
GLAXOSMITHKLINE CONSUMER HEALTHCARE St. Louis MO 63102 HELGET GAS PRODUCTS INC Omaha NE 68127
LACKEY SHEET METAL St. Louis MO 63102 ORTHOQUEST LLC La Vista NE 68128
我試着做
combined_data['name_ratio'] = combined_data.apply(lambda x: fuzz.ratio(x['Company'], x['FDA Company']), axis = 1)
但是由於列的長度不同而出錯。
我難住了。 我怎樣才能做到這一點?
我說不清你在做什么。 這就是我要做的。
from fuzzywuzzy import fuzz
from fuzzywuzzy import process
創建一系列要比較的元組:
compare = pd.MultiIndex.from_product([df1['Company'],
df2['FDA Company']]).to_series()
創建一個特殊的函數來計算模糊度量並返回一個系列。
def metrics(tup):
return pd.Series([fuzz.ratio(*tup),
fuzz.token_sort_ratio(*tup)],
['ratio', 'token'])
將metrics
應用於compare
系列
compare.apply(metrics)
有很多方法可以完成下一部分:
獲取與df1
每一行最接近的匹配
compare.apply(metrics).unstack().idxmax().unstack(0)
獲取與df2
每一行最接近的匹配項
compare.apply(metrics).unstack(0).idxmax().unstack(0)
我已經通過並行處理在 Python 中實現了代碼,這將比串行計算快得多。 此外,在模糊度量分數超過閾值的情況下,只有那些計算是並行執行的。 請參閱以下鏈接以獲取代碼:
版本兼容性:
pandas version :: 1.1.5 ,
fuzzywuzzy version :: 1.1.0 ,
joblib version :: 0.18.0
Fuzzywuzzy 度量解釋: 鏈接文本
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.