來源：Be_melting

https://blog.csdn.net/lys_828/article/details/106489371

【導(dǎo)語】：還在為日常工作中不同的數(shù)據(jù)集的字段進行匹配煩惱？今天跟大家分享? FuzzyWuzzy 一個簡單易用的模糊字符串匹配工具包。讓你多快好省的解決煩惱的匹配問題！

1. 前言

在處理數(shù)據(jù)的過程中，難免會遇到下面類似的場景，自己手里頭獲得的是簡化版的數(shù)據(jù)字段，但是要比對的或者要合并的卻是完整版的數(shù)據(jù)（有時候也會反過來）

最常見的一個例子就是：在進行地理可視化中，自己收集的數(shù)據(jù)只保留的縮寫，比如北京，廣西，新疆，西藏等，但是待匹配的字段數(shù)據(jù)卻是北京市，廣西壯族自治區(qū)，新疆維吾爾自治區(qū)，西藏自治區(qū)等，如下。因此就需要有沒有一種方式可以很快速便捷的直接進行對應(yīng)字段的匹配并將結(jié)果單獨生成一列，就可以用到 FuzzyWuzzy 庫。

2. FuzzyWuzzy庫介紹

FuzzyWuzzy 是一個簡單易用的模糊字符串匹配工具包。它依據(jù) Levenshtein Distance 算法，計算兩個序列之間的差異。

Levenshtein Distance??算法，又叫 Edit Distance算法，是指兩個字符串之間，由一個轉(zhuǎn)成另一個所需的最少編輯操作次數(shù)。許可的編輯操作包括將一個字符替換成另一個字符，插入一個字符，刪除一個字符。一般來說，編輯距離越小，兩個串的相似度越大。

這里使用的是 Anaconda 下的? jupyter notebook ?編程環(huán)境，因此在? Anaconda 的命令行中輸入一下指令進行第三方庫安裝。

pip?install?-i?https://pypi.tuna.tsinghua.edu.cn/simple?FuzzyWuzzy

2.1 fuzz 模塊

該模塊下主要介紹四個函數(shù)（方法），分別為：簡單匹配（Ratio）、非完全匹配（Partial Ratio）、忽略順序匹配（Token Sort Ratio）和去重子集匹配（Token Set Ratio）

注意：?如果直接導(dǎo)入這個模塊的話，系統(tǒng)會提示? warning，當(dāng)然這不代表報錯，程序依舊可以運行（使用的默認算法，執(zhí)行速度較慢），可以按照系統(tǒng)的提示安裝 python-Levenshtein 庫進行輔助，這有利于提高計算的速度。

2.1.1 簡單匹配（Ratio）

簡單的了解一下就行，這個不怎么精確，也不常用

fuzz.ratio("河南省", "河南省")>>> 100>fuzz.ratio("河南", "河南省")>>> 80

2.1.2 非完全匹配（Partial Ratio）

盡量使用非完全匹配，精度較高

fuzz.partial_ratio("河南省", "河南省")>>> 100
fuzz.partial_ratio("河南", "河南省")>>> 100

2.1.3 忽略順序匹配（Token Sort Ratio）

原理在于：以?空格?為分隔符，小寫?化所有字母，無視空格外的其它標點符號

fuzz.ratio("西藏 自治區(qū)", "自治區(qū) 西藏")>>> 50fuzz.ratio('I love YOU','YOU LOVE I')>>> 30
fuzz.token_sort_ratio("西藏 自治區(qū)", "自治區(qū) 西藏") >>> 100fuzz.token_sort_ratio('I love YOU','YOU LOVE I') >>>?100

2.1.4 去重子集匹配（Token Set Ratio）

相當(dāng)于比對之前有一個集合去重的過程，注意最后兩個，可理解為該方法是在 token_sort_ratio 方法的基礎(chǔ)上添加了集合去重的功能，下面三個匹配的都是倒序

fuzz.ratio("西藏 西藏 自治區(qū)", "自治區(qū) 西藏")>>> 40
fuzz.token_sort_ratio("西藏 西藏 自治區(qū)", "自治區(qū) 西藏")>>> 80
fuzz.token_set_ratio("西藏 西藏 自治區(qū)", "自治區(qū) 西藏")>>>?100

fuzz 這幾個 ratio() 函數(shù)（方法）最后得到的結(jié)果都是數(shù)字，如果需要獲得匹配度最高的字符串結(jié)果，還需要依舊自己的數(shù)據(jù)類型選擇不同的函數(shù)，然后再進行結(jié)果提取，如果但看文本數(shù)據(jù)的匹配程度使用這種方式是可以量化的，但是對于我們要提取匹配的結(jié)果來說就不是很方便了，因此就有了 rocess 模塊。

2.2 process模塊

用于處理備選答案有限的情況，返回模糊匹配的字符串和相似度。

2.2.1 extract提取多條數(shù)據(jù)

類似于爬蟲中 select，返回的是列表，其中會包含很多匹配的數(shù)據(jù)

choices = ["河南省", "鄭州市", "湖北省", "武漢市"]process.extract("鄭州", choices, limit=2)>>> [('鄭州市', 90), ('河南省', 0)]#?extract之后的數(shù)據(jù)類型是列表，即使limit=1，最后還是列表，注意和下面extractOne的區(qū)別

2.2.2 extractOne提取一條數(shù)據(jù)

如果要提取匹配度最大的結(jié)果，可以使用extractOne，注意這里返回的是?元組?類型， 還有就是匹配度最大的結(jié)果不一定是我們想要的數(shù)據(jù)，可以通過下面的示例和兩個實戰(zhàn)應(yīng)用體會一下

process.extractOne("鄭州", choices)>>> ('鄭州市', 90)
process.extractOne("北京", choices)>>>?('湖北省',?45)

3. 實戰(zhàn)應(yīng)用

這里舉兩個實戰(zhàn)應(yīng)用的小例子，第一個是公司名稱字段的模糊匹配，第二個是省市字段的模糊匹配

3.1 公司名稱字段模糊匹配

數(shù)據(jù)及待匹配的數(shù)據(jù)樣式如下：自己獲取到的數(shù)據(jù)字段的名稱很簡潔，并不是公司的全稱，因此需要進行兩個字段的合并

直接將代碼封裝為函數(shù)，主要是為了方便日后的調(diào)用，這里參數(shù)設(shè)置的比較詳細，執(zhí)行結(jié)果如下：

3.1.1 參數(shù)講解：

① 第一個參數(shù)df_1是自己獲取的欲合并的左側(cè)數(shù)據(jù)（這里是data變量）；

② 第二個參數(shù)df_2是待匹配的欲合并的右側(cè)數(shù)據(jù)（這里是company變量）；

③ 第三個參數(shù)key1是df_1中要處理的字段名稱（這里是data變量里的‘公司名稱’字段）

④ 第四個參數(shù)key2是df_2中要匹配的字段名稱（這里是company變量里的‘公司名稱’字段）

⑤ 第五個參數(shù)threshold是設(shè)定提取結(jié)果匹配度的標準。注意這里就是對extractOne方法的完善，提取到的最大匹配度的結(jié)果并不一定是我們需要的，所以需要設(shè)定一個閾值來評判，這個值就為90，只有是大于等于90，這個匹配結(jié)果我們才可以接受

⑥ 第六個參數(shù)，默認參數(shù)就是只返回兩個匹配成功的結(jié)果

⑦ 返回值：為df_1添加‘matches’字段后的新的DataFrame數(shù)據(jù)

3.1.2 核心代碼講解

第一部分代碼如下，可以參考上面講解process.extract方法，這里就是直接使用，所以返回的結(jié)果m就是列表中嵌套元祖的數(shù)據(jù)格式，樣式為: [(‘鄭州市’, 90), (‘河南省’, 0)]，因此第一次寫入到’matches’字段中的數(shù)據(jù)也就是這種格式

注意，注意：?元祖中的第一個是匹配成功的字符串，第二個就是設(shè)置的threshold參數(shù)比對的數(shù)字對象

s = df_2[key2].tolist()m = df_1[key1].apply(lambda x: process.extract(x, s, limit=limit))    df_1['matches']?=?m

第二部分的核心代碼如下，有了上面的梳理，明確了‘matches’字段中的數(shù)據(jù)類型，然后就是進行數(shù)據(jù)的提取了，需要處理的部分有兩點需要注意的：

① 提取匹配成功的字符串，并對閾值小于90的數(shù)據(jù)填充空值

② 最后把數(shù)據(jù)添加到‘matches’字段

m2 = df_1['matches'].apply(lambda x: [i[0] for i in x if i[1] >= threshold][0] if len([i[0] for i in x if i[1] >= threshold]) > 0 else '')#要理解第一個‘matches’字段返回的數(shù)據(jù)類型是什么樣子的，就不難理解這行代碼了#參考一下這個格式：[('鄭州市', 90), ('河南省', 0)]df_1['matches'] = m2
return?df_1

3.2 省份字段模糊匹配

自己的數(shù)據(jù)和待匹配的數(shù)據(jù)背景介紹中已經(jīng)有圖片顯示了，上面也已經(jīng)封裝了模糊匹配的函數(shù)，這里直接調(diào)用上面的函數(shù)，輸入相應(yīng)的參數(shù)即可，代碼以及執(zhí)行結(jié)果如下：

數(shù)據(jù)處理完成，經(jīng)過封裝后的函數(shù)可以直接放在自己自定義的模塊名文件下面，以后可以方便直接導(dǎo)入函數(shù)名即可，可以參考將自定義常用的一些函數(shù)封裝成可以直接調(diào)用的模塊方法。

4. 全部函數(shù)代碼

#模糊匹配
def fuzzy_merge(df_1, df_2, key1, key2, threshold=90, limit=2):    """    :param df_1: the left table to join    :param df_2: the right table to join    :param key1: key column of the left table    :param key2: key column of the right table    :param threshold: how close the matches should be to return a match, based on Levenshtein distance    :param limit: the amount of matches that will get returned, these are sorted high to low    :return: dataframe with boths keys and matches    """    s = df_2[key2].tolist()
    m = df_1[key1].apply(lambda x: process.extract(x, s, limit=limit))        df_1['matches'] = m
    m2 = df_1['matches'].apply(lambda x: [i[0] for i in x if i[1] >= threshold][0] if len([i[0] for i in x if i[1] >= threshold]) > 0 else '')    df_1['matches'] = m2
    return df_1
from fuzzywuzzy import fuzzfrom fuzzywuzzy import process
df = fuzzy_merge(data, company, '公司名稱', '公司名稱', threshold=90)df

推薦閱讀

1

學(xué)妹問我：如何提高編程能力

2

推薦一款免費開源的通用數(shù)據(jù)庫工具

3

這款工具不用手寫一行代碼就能做出網(wǎng)站！

4??

牛逼，自動將函數(shù)或者命令行工具轉(zhuǎn)換成 Web 服務(wù)

崔慶才

靜覓博客博主，《Python3網(wǎng)絡(luò)爬蟲開發(fā)實戰(zhàn)》作者

隱形字

個人公眾號：進擊的Coder

長按識別二維碼關(guān)注

好文和朋友一起看~