问题标签 [fuzzywuzzy]

我想遍历 Pandas 数据框并仅获取每行对的 fuzz.ratio 分数（并非所有组合）。我的数据框如下所示：

Acct_Owner ,地址,地址 2

0, Name1, NaN, 33 Liberty Street
1, Name2, 330 N Wabash Ave Ste 39300, 330 North Wabash Avenue Suite 39300

有缺失值，所以我使用“try:”跳过缺失值行。以下是当前的 for 循环：

结果显示所有行的分数相同。 希望弄清楚为什么循环没有遍历并对每一行进行评分。 谢谢阅读...

我想用相同的重要词匹配相似的字符串。

问题：

我有两个文件一个主文件和一个输入文件。我必须遍历输入文件并从 master 中找到类似的记录。目前我已经在 ElasticSearch 中索引了主文件并尝试从 ElasticSearch 中获取类似的记录，但是由于 Master 包含许多类似的记录，它返回许多记录并从中找到合适的记录是问题所在。

样本输入记录：

ElasticSearch 的示例输出：

我曾尝试使用 POS 标记器来获取重要术语，但效果不佳。

POS标记器输出：

如何进行此操作？

编辑：

在上面的例子中，H1是重要项

样本输入记录：

ElasticSearch 的示例输出：

最初我需要识别重要的词。重要词中目前没有模式。

IE）

我有一个字符串列表，我试图与列中的值匹配。如果它是低匹配（低于 95），我想返回当前列值，如果它高于 95，那么我想从列表中返回最佳模糊匹配。我正在尝试将所有返回的值放入一个新列中。我不断收到错误“元组索引超出范围”，我认为这可能是因为它想返回一个带有分数和名称的元组，但我只想要名称。这是我当前的代码：

期望的输出：

我正在处理一些实体匹配问题，我必须检查记录是否引用相同的业务实体，请看下面由管道分隔的两条记录，现在管道两侧的单词引用相同的实体，第一个记录是 Fairvill common，第二个记录是 walmart 901 common。是否有任何字符串匹配函数可以执行这种比较。

我在python中尝试了soundex和fuzzywuzzy，但结果并不那么有帮助，非常感谢任何帮助。

我想检查关键字字符串是否包含在文本字符串中。这一定是一个模糊的包含。

我的第一次尝试是使用库blurwuzzy。当使用部分比率时字符串差异很大时，这似乎具有产生高匹配值的意外行为。

我尝试使用 levenshtein 的距离，它可以将一个字符串与另一个字符串进行比较，但不能用于查找字符串是否包含关键字。
我尝试的一个想法是将文本拆分为单个单词，然后遍历它们，计算距离以查看是否匹配。问题是关键字中可能有空格，这意味着使用此方法找不到任何匹配项。

我现在尝试使用 Bitap 算法来查找关键字是否在文本中，但是当关键字和文本非常不同时，这会返回为真。该算法可以在这里找到。

我已经研究过使用 Lucene。这样做的问题在于，其中很多都是基于从所有数据创建索引然后执行搜索。在我的情况下，这是无法做到的，因为它需要是一种分别采用关键字和文本的方法。如果有任何资源可以在不使用 Lucene 索引的情况下执行模糊包含，这将非常有用。

最好的方法是什么？

我想根据 Levenshtein 距离执行连接。

我有 2 张桌子：

1. Data：这是 HDFS 文件存储库中的 CSV。其中一列是 Disease description， 15K 行。
2. df7_ct_map：我从 Hive 调用的表。其中一列是 Disease Indication， 20K 行。

我试图通过将每个描述与指示相匹配来加入两个表（它们是疾病的文本描述）。理想情况下，它们需要相同，但如果两个文本不同，我希望选择包含最多常用词的匹配文本。

问题是Data这DataFrame就是为什么我得到以下错误：

一些忠告？我可以使用 Fuzzywuzzy 包吗？如果是这样，怎么做？

我有一些包含拼写错误的数据。我正在纠正它们并使用以下代码对拼写的接近程度进行评分：

这给出了结果：

对于“e”行，“potato”在第 1 行，“apple”在第 2 行。但是，apple 的得分高于土豆。这对我的申请来说是错误的。

请问如何获得更高的得分结果始终向左？

编辑1：我尝试了一个更简单的代码：

& 得到相同的结果：

我还尝试了一个更简单的评分代码：

＆我再次得到相同的结果：

编辑2我用fuzzywuzzy试过了。由于fuzzywuzzy依赖于difflib，我再次得到了相同的结果：

我正在尝试一种组合多个数据集的好方法，其中每个数据集在同一组项目上的信息集略有不同，因此包含略有不同的数据。例如：

从那组行（即从 DBb和结合c，我想得到：

即 3 个非常相似的行已被合并，并且它们的数据不同，所有版本都被添加。

我正在尝试学习 python，所以找到了 pandas 的东西，使用 groupby，连接所有列并比较，以及模糊模糊，但似乎没有什么完全匹配的。我猜答案将涉及编辑/Levenshtein 距离，但我正在努力寻找一种方法。

谢谢你的帮助，

马特

我正在使用 FuzzyWuzzy 将字符串与包含两个字符串的元组进行匹配。例如：

此代码返回错误，因为与之比较的列表animals, 不是字符串列表。我只想比较元组中的第一项。我想要返回的是：(('cat','owner1), 100)因为它是 100% 匹配的。

下面的代码工作，输出('cat', 100)但我需要元组的另一部分。

有任何想法吗？

编辑：我知道我可以通过列表理解获得第一个元素的列表，但是出于内存和速度的原因，我想在不创建新列表的情况下执行此操作，因为我正在处理大型数据集。

我有一组三元组让我们说

我想对所有三元组进行模糊匹配，并将相似的三元组替换为频率最高的三元组。例如，上表应该变成

我正在使用fuzzywuzzy 包来计算相似度，但不知道如何进行替换。提前致谢