我有两个数据帧,格式如下:
d = {'id2': ['1', '2'], 'name': ['paris city', 'london town']}
df1 = pd.DataFrame(data=d)
print(df1)
id2 name
0 1 paris city
1 1 london town
d = {'id2': ['3', '4'], 'name': ['parid cit', 'londoon town']}
df2 = pd.DataFrame(data=d)
print(df2)
id2 name
0 3 parid cit
1 4 londoon town
我希望做一个基于名称列的模糊字符串合并。最终结果如下:
id2 id2 name_x name_y match_level
0 3 1 parid cit paris city 0.91
1 4 2 londoon town london town 0.93
我尝试使用模糊wuzzy库,但是因为我合并的两个表都有100k+行
我也看到了一些"快速"的实现,比如快速模糊或其他使用tfidf或k近邻的实现:然而,所有的代码示例都展示了如何在列表中查找单个字符串的匹配,我还没有找到任何其他库/实现在两个数据帧之间进行模糊合并。
什么是一种快速有效的模糊合并熊猫数据框架的方法?
import fuzzymatcher
import pandas as pd
df_left = pd.DataFrame({'id2': ['1', '2'], 'name': ['paris city', 'london town']})
df_right = pd.DataFrame({'id2': ['3', '4'], 'name': ['parid cit', 'londoon town']})
fuzzymatcher.fuzzy_left_join(df_left, df_right, left_on = "name", right_on = "name")
这是地址:https://github.com/RobinL/fuzzymatcher