Python Fuzzy Matching（FuzzyWuzzy）-仅保持最佳匹配

Question

我试图模糊地匹配两个csv文件，每个文件都包含一列相似但不相同的名称。

我的代码如下：

import pandas as pd
from pandas import DataFrame
from fuzzywuzzy import process
import csv

save_file = open('fuzzy_match_results.csv', 'w')
writer = csv.writer(save_file, lineterminator = '\n')

def parse_csv(path):

with open(path,'r') as f:
    reader = csv.reader(f, delimiter=',')
    for row in reader:
        yield row


if __name__ == "__main__":
## Create lookup dictionary by parsing the products csv
data = {}
for row in parse_csv('names_1.csv'):
    data[row[0]] = row[0]

## For each row in the lookup compute the partial ratio
for row in parse_csv("names_2.csv"):
    #print(process.extract(row,data, limit = 100))
    for found, score, matchrow in process.extract(row, data, limit=100):
        if score >= 60:
            print('%d%% partial match: "%s" with "%s" ' % (score, row, found))
            Digi_Results = [row, score, found]
            writer.writerow(Digi_Results)


save_file.close()

输出如下：

Name11 , 90 , Name25 
Name11 , 85 , Name24 
Name11 , 65 , Name29

剧本写得很好。产出如预期。 但我要找的只是最好的匹配。

Name11 , 90 , Name25
Name12 , 95 , Name21
Name13 , 98 , Name22

因此，我需要根据第2列中的最大值，以某种方式删除第1列中的重复名称。 这应该很简单，但我似乎想不出来。 任何帮助都将不胜感激。

Answer 1

使用FuzzyWuzzy中的process.extractOne()可以大大简化代码的几个部分。它不仅返回顶级匹配，您还可以在函数调用中为它设置分数阈值，而不需要执行单独的逻辑步骤，例如：

process.extractOne(row, data, score_cutoff = 60)

如果找到满足条件的匹配项，此函数将返回最高匹配项的元组加上相应的分数。否则它将返回None。

Answer 2

fuzzywuzzy的process.extract()以相反的顺序返回列表，最好的匹配在前面。

所以为了找到最佳匹配，可以将limit参数设置为1，这样它只返回最佳匹配，如果大于60，就可以像现在这样将其写入csv。

示例-

from fuzzywuzzy import process
## For each row in the lookup compute the partial ratio
for row in parse_csv("names_2.csv"):

    for found, score, matchrow in process.extract(row, data, limit=1):
        if score >= 60:
            print('%d%% partial match: "%s" with "%s" ' % (score, row, found))
            Digi_Results = [row, score, found]
            writer.writerow(Digi_Results)

Answer 3

我只是为自己写了同样的东西但是在熊猫身上。。。。

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

d1={1:'Tim','2':'Ted',3:'Sally',4:'Dick',5:'Ethel'}
d2={1:'Tam','2':'Tid',3:'Sally',4:'Dicky',5:'Aardvark'}

df1=pd.DataFrame.from_dict(d1,orient='index')
df2=pd.DataFrame.from_dict(d2,orient='index')

df1.columns=['Name']
df2.columns=['Name']

def match(Col1,Col2):
    overall=[]
    for n in Col1:
        result=[(fuzz.partial_ratio(n, n2),n2) 
                for n2 in Col2 if fuzz.partial_ratio(n, n2)>50
               ]
        if len(result):
            result.sort()    
            print('result {}'.format(result))
            print("Best M={}".format(result[-1][1]))
            overall.append(result[-1][1])
        else:
            overall.append(" ")
    return overall

print(match(df1.Name,df2.Name))

我已经使用了50的阈值-但它是可配置的。

数据框架1看起来像

    Name
1   Tim
2   Ted
3   Sally
4   Dick
5   Ethel

数据框架2看起来像

Name
1   Tam
2   Tid
3   Sally
4   Dicky
5   Aardvark

所以运行它会产生

['Tid', 'Tid', 'Sally', 'Dicky', ' ']

希望这有帮助。