Question

我有一个带有x个字符串名称及其关联ID的文件。本质上是两列数据。

我想要的是一个关联样式表，其格式为x x x（将有问题的数据同时作为x轴和y轴），但是我想让Fuzzywuzzy库的函数模糊而不是相关。使用字符串名称作为输入，将ratio（x，y）作为输出。本质上是针对每个条目运行每个条目。

这就是我的想法。只是为了表明我的意图：

import pandas as pd
from fuzzywuzzy import fuzz

df = pd.read_csv('random_data_file.csv')

df = df[['ID','String']]
df['String_Dup'] = df['String'] #creating duplicate of data in question
df = df.set_index('ID')

df = df.groupby('ID')[['String','String_Dup']].apply(fuzz.ratio())

但是很明显，这种方法目前不适用于我。任何帮助表示赞赏。不必是熊猫，这只是我相对熟悉的环境。

我希望我的问题字眼清楚，而且真的很感谢任何意见

Answer 1

使用熊猫的crosstab函数，然后使用按列的apply计算模糊度。这比我的第一个答案要优雅得多。

import pandas as pd
from fuzzywuzzy import fuzz

# Create sample data frame.
df = pd.DataFrame([(1, 'abracadabra'), (2,'abc'), (3,'cadra'), (4, 'brabra')],
                  columns=['id', 'strings'])
# Create the cartesian product between the strings column with itself.
ct = pd.crosstab(df['strings'], df['strings'])
# Note: for pandas versions <0.22, the two series must have different names.
# In case you observe a "Level XX not found" error, the following may help:
# ct = pd.crosstab(df['strings'].rename(), df['strings'].rename())

# Apply the fuzz (column-wise). Argument col has type pd.Series.
ct = ct.apply(lambda col: [fuzz.ratio(col.name, x) for x in col.index])

# This results in the following:
#       strings      abc  abracadabra  brabra  cadra
#       strings
#       abc          100           43      44     25
#       abracadabra   43          100      71     62
#       brabra        44           71     100     55
#       cadra         25           62      55    100

为简单起见，我忽略了您的问题中建议的groupby操作。如果需要将模糊字符串匹配应用于组，只需创建一个单独的函数：

def cross_fuzz(df):
    ct = pd.crosstab(df['strings'], df['strings'])
    ct = ct.apply(lambda col: [fuzz.ratio(col.name, x) for x in col.index])
    return ct

df.groupby('id').apply(cross_fuzz)

Answer 2

import csv
from fuzzywuzzy import fuzz
import numpy as np  

input_file = csv.DictReader(open('random_data_file.csv')) 
string = []
for row in input_file: #file is appended row by row into a python dictionary
    string.append(row["String"]) #keys for the dict. are the headers



#now you have a list of the string values
length = len(string)
resultMat = np.zeros((length, length)) #zeros 2D matrix, with size X * X

for i in range (length):
    for j in range (length):
        resultMat[i][j] = fuzz.ratio(string[i], string[j])

print resultMat

我在 numby 2D矩阵中进行了实现。我在 pandas 中不是很好，但是我认为您正在做的是添加另一列并将其与字符串列进行比较，这意味着：string [i]将与string_dub [i]匹配，所有结果将是100

希望有帮助

Answer 3

在熊猫中，可以使用虚拟变量和pd.merge创建两列之间的笛卡尔叉积。 fuzz操作是使用apply应用的。最后的数据透视操作将提取您想到的格式。为简单起见，我省略了groupby操作，但是，当然，您可以通过将下面的代码移动到单独的函数中，将该过程应用于所有组表。

这是下面的样子：

import pandas as pd
from fuzzywuzzy import fuzz

# Create sample data frame.
df = pd.DataFrame([(1, 'abracadabra'), (2,'abc'), (3,'cadra'), (4, 'brabra')],
                  columns=['id', 'strings'])

# Cross product, using a temporary column.
df['_tmp'] = 0
mrg = pd.merge(df, df, on='_tmp', suffixes=['_1','_2'])

# Apply the function between the two strings.
mrg['fuzz'] = mrg.apply(lambda s: fuzz.ratio(s['strings_1'], s['strings_2']), axis=1)

# Reorganize data.
ret = mrg.pivot(index='strings_1', columns='strings_2', values='fuzz')
ret.index.name = None 
ret.columns.name = None

# This results in the following:
#              abc  abracadabra  brabra  cadra
# abc          100           43      44     25
# abracadabra   43          100      71     62
# brabra        44           71     100     55
# cadra         25           62      55    100

Python模糊字符串匹配作为关联样式表/矩阵

3 个答案: