Question

我是python编程的新手。我正在尝试使用具有两列字符串值的csv文件，并希望比较两列之间字符串的相似性比率。然后我想取值并在另一个文件中输出比率。

csv可能如下所示：

Column 1|Column 2 
tomato|tomatoe 
potato|potatao 
apple|appel

我想要为每一行显示输出文件，第1列中的字符串与第2列的相似程度。我使用difflib输出比率得分。

这是我到目前为止的代码：

import csv
import difflib

f = open('test.csv')

csf_f = csv.reader(f)

row_a = []
row_b = []

for row in csf_f:
    row_a.append(row[0])
    row_b.append(row[1])

a = row_a
b = row_b

def similar(a, b):
    return difflib.SequenceMatcher(a, b).ratio()

match_ratio = similar(a, b)

match_list = []
for row in match_ratio:
    match_list.append(row)

with open("output.csv", "wb") as f:
    writer = csv.writer(f, delimiter=',')
    writer.writerows(match_list)

f.close()

我收到错误：

Traceback (most recent call last):
  File "comparison.py", line 24, in <module>
    for row in match_ratio:
TypeError: 'float' object is not iterable

我觉得我没有正确导入列列表并针对sequencematcher函数运行它。

Answer 1

您在这里设置的for循环需要类似数组的地方match_ratio，并根据您获得的错误来判断，这不是你有什么。您似乎错过了difflib.SequenceMatcher的第一个参数，该参数应该是None。请参见此处的6.3.1：https://docs.python.org/3/library/difflib.html

如果没有指定第一个参数，我认为您从0.0返回difflib.SequenceMatcher，然后尝试运行ratio。即使您更正了SequenceMatcher电话，我认为您仍然会尝试迭代ratio正在返回的单个浮点值。我认为您需要在循环中为您要比较的每组值调用SequenceMatcher。

所以你最终会在你的函数中调用更多这样的调用：difflib.SequenceMatcher(None, a, b)。或者，如果您喜欢，因为这些是命名参数，您可以执行以下操作：difflib.SequenceMatcher(a=a, b=b)。

Answer 2

以下是使用pandas完成此操作的另一种方法：

请考虑您的csv数据是这样的：

Column 1,Column 2 
tomato,tomatoe 
potato,potatao 
apple,appel

<强> CODE

import pandas as pd
import difflib as diff
#Read the CSV
df = pd.read_csv('datac.csv')
#Create a new column 'diff' and get the result of comparision to it
df['diff'] = df.apply(lambda x: diff.SequenceMatcher(None, x[0].strip(), x[1].strip()).ratio(), axis=1) 
#Save the dataframe to CSV and you could also save it in other formats like excel, html etc
df.to_csv('outdata.csv',index=False)

<强>结果

Column 1,Column 2 ,diff
tomato,tomatoe ,0.923076923077
potato,potatao ,0.923076923077
apple,appel ,0.8

Answer 3

您的示例文件看起来像包含标记标记。假设您实际上正在读取CSV文件，那么您得到的错误是因为match_ratio不是可迭代的数据类型，它是一个浮点数 - 函数的返回值：similar（）。在您的代码中，函数调用必须包含在for循环中，以便为每个a，b字符串对调用它。这是我创建的一个工作示例，它消除了显式的for循环并改为使用列表解析：

import csv
from difflib import SequenceMatcher

path_in = 'csv1.csv'
path_out = 'csv2.csv'

with open(path_in, 'r') as csv_file_in:
    csv_reader = csv.reader(csv_file_in)
    col_headers = csv_reader.next()
    for row in csv_reader:
        results = [[row[0],
                    row[1],
                    SequenceMatcher(None, row[0], row[1]).ratio()]
                    for row in csv_reader]

with open(path_out, 'wb') as csv_file_out:
    col_headers.append('Ratio')
    out_rows = [col_headers] + results
    writer = csv.writer(csv_file_out, delimiter=',')
    writer.writerows(out_rows)

除了您收到的错误之外，您在实例化SequenceMatcher对象时可能也遇到了问题 - 它的第一个参数未在您的代码中指定。您可以在Python文档中的list comprehensions和SequenceMatcher上找到更多信息。祝你未来的Python编码好运。

Answer 4

您收到该错误，因为记录行[0]或行[1]最可能包含NaN值。尝试通过str（row [0]）和str（row [1]）

强制它们首先串起来

Answer 5

您收到错误是因为您在字符串列表上运行SequenceMatcher，而不是在字符串本身上运行。当你这样做时，你会得到一个漂浮值，而不是我认为你期望的定量值列表。

如果我理解你要做什么，那么你就不需要先读取行。您可以在迭代行时找到差异比率。

import csv
import difflib

match_list = []
with open('test.csv') as f:
    csv_f = csv.reader(f)
    for row in csv_f:
        match_list.append([difflib.SequenceMatcher(a=row[0], b=row[1]).ratio()])

with open('output.csv', 'w') as f:
    writer = csv.writer(f, delimiter=',')
    writer.writerows(match_list)

比较csv的两列并在另一个csv中输出字符串相似比

5 个答案: