是否有可能与蟒蛇熊猫进行模糊匹配？

Question

是否有可能与蟒蛇熊猫进行模糊匹配？我有两个DataFrame，我想根据一个列合并它们。然而，由于交替拼写，不同的空格数目，没有/存在的指示符号，我希望能够合并，只要它们是相似的另一个。任何相似算法都可以(Soundex，Levenshtein，Difflib)。假设一个DataFrame具有以下数据：df1 = DataFrame([[1],[2],[3],[4],[5]], index=['one','two','three','four','five'], columns=['number'])       numberone         1two         2three       3four        4five        5df2 = DataFrame([['a'],['b'],['c'],['d'],['e']], index=['one','too','three','fours','five'], columns=['letter'])      letterone        atoo        bthree      cfours      dfive       e然后我想要得到最终的DataFrame       number letterone         1      atwo         2      bthree       3      cfour        4      dfive        5      e

Answer 1

您可以申请difflib氏get_close_matches到df2的索引，然后应用join:

In [23]: import difflib 

In [24]: difflib.get_close_matchesOut[24]: <function difflib.get_close_matches>In [25]: df2.index = df2.index.
map(lambda x: difflib.get_close_matches(x, df1.index)[0])In [26]: df2Out[26]: 
      letter
one        a
two        b
three      c
four       d
five       eIn [31]: df1.join(df2)Out[31]: 
       number letter
one         1      a
two         2      b
three       3      c
four        4      d
five        5      e

如果这些是列，则同样可以应用于该列。merge:

df1 = DataFrame([[1,'one'],[2,'two'],[3,'three'],[4,'four'],[5,'five']], columns=['number', 'name'])

df2 = DataFrame([['a','one'],['b','too'],['c','three'],['d','fours'],['e','five']], columns=['letter', 'name'])

df2['name'] = df2['name'].apply(lambda x: difflib.get_close_matches(x, df1['name'])[0])

df1.merge(df2)

Answer 2

这就是我和贾洛-温克勒一起做这件事的方法水母一揽子：

def get_closest_match(x, list_strings):

  best_match = None
  highest_jw = 0

  for current_string in list_strings:
    current_score = jellyfish.jaro_winkler(x, current_string)

    if(current_score > highest_jw):
      highest_jw = current_score
      best_match = current_string  return best_match

df1 = pandas.DataFrame([[1],[2],[3],[4],[5]], index=['one','two','three','four','five'], 
columns=['number'])df2 = pandas.DataFrame([['a'],['b'],['c'],['d'],['e']], 
index=['one','too','three','fours','five'], columns=['letter'])df2.
index = df2.index.map(lambda x: get_closest_match(x, df1.index))df1.join(df2)

产出：

    number  letter
one     1   a
two     2   b
three   3   c
four    4   d
five    5   e