如何修復超過90個閾值的錯誤模糊匹配？

Question

我有兩個數據集，我需要模糊匹配包含組織名稱的列。 我在Python中使用了fuzzywuzzy庫並設置了閾值50（參見下面的代碼）。 代碼成功匹配了一些名稱。 當我看到比賽時，我意識到了一個問題。 問題是有一些匹配90閾值但兩個名稱完全不同。

例如，以下兩個名稱與91匹配：

“PARIS HEALTH CORPORATION”和“LONDON HEALTCARE CORPORATION”

（我用保密的方式取代了巴黎和倫敦的第一句話）。

我想知道如何以正確的方式匹配這些類型的比賽？

另外兩個數據集也有地址和郵政編碼，但我還沒有使用地址來匹配兩個數據集。

我從這個頁面得到了代碼。

from fuzzywuzzy import fuzz

def match_name(name, list_names, min_score=0):
    max_score = -1
    max_name = ""
    for name2 in list_names:
    score = fuzz.ratio(name, name2)
    if (score > min_score) & (score > max_score):
        max_name = name2
        max_score = score
    return (max_name, max_score)

dict_list = []
for name in df.SYSNAME:
match = match_name(name, df1.PAYER_NAME, 50)
dict_ = {}
dict_.update({"SYSNAME" : name})
dict_.update({"match_name" : match[0]})
dict_.update({"score" : match[1]})
dict_list.append(dict_)
merge_table = pd.DataFrame(dict_list)

Answer 1

由於在fuzzywuzzy庫后面建立的模型，這匹配率為91％。 我猜你改變的詞而不是巴黎和倫敦甚至有共同的字母。

在您的示例中，我認為您應該：1）根據本地化拆分您的公司列表2）運行模型3）將結果追加到一起

如果您的公司不在多個地點，這將避免此問題。

如果是，那么您可以從公共元素中剝離公司名稱：

remove_words = ["healthcare", "corporations", "llc", "corp", "parnters"]
for i in remove_words:
    corp['corporation'] = corp['corporation'].str.replace(i, "", case = False) 

這樣，當您運行模型時，它會在對您重要的單詞上運行它。

我希望它有所幫助。 BR。