我正在研究两组匹配的公司名称。我试图用Levenstien的距离在Python中进行编码。我遇到公司简称以及诸如Pvt，Ltd之类的尾随问题。我已经使用Excel Fuzzy查找运行了相同的集合，并获得了良好的结果。我有一种方法可以查看excel模糊查找的编码方式，并在python中使用相同的实现。
答案 0 :(得分：0)
据我所知，模糊查找使用Jaccard相似度。查看其文档。在我四处游玩时，您也可以尝试SequenceMatcher并以相似度玩游戏-在统一文本字符串后，它会提供非常好的结果。
答案 1 :(得分：0)
以下摘录自 Excel的Microsoft模糊查找外接程序，Readme.docx。希望对您有所帮助。
高级概念
模糊查询技术基于非常简单但灵活的技术 两个记录之间的相似性度量。提卡相似度模糊 查找使用Jaccard相似度，定义为 集合交集除以两个集合的集合并集的大小 对象。例如，集合{a，b，c}和{a，c，d}具有Jaccard 2/4 = 0.5的相似度，因为交集为{a，c}并且 联合是{a，b，c，d}。两组的共同点越多， Jaccard相似度将更接近1.0。
带模糊的记录的加权Jaccard相似度和标记化 查找，您可以将权重分配给集合中的每个项目，并定义 加权Jaccard相似度作为相交的总权重 除以工会的总人数。对于加权集{（a， 2），（b，5），（c，3）}，{（a，2），（c，3），（d，7）}，加权雅卡 相似度是（2 + 3）/（2 + 3 + 5 +7）= 5/17 = .294。
由于Jaccard相似性是在集合上定义的，因此必须进行模糊查找 首先将数据记录转换为集合，然后再计算Jaccard 相似。模糊查找使用令牌生成器将数据转换为集合。 例如，记录{“ Jesper Aaberg”，“ 4567 Main Street”}可能是 标记成集合{{“ Jesper”，“ Aaberg”，“ 4567”，“ Main”， “街”}。默认的分词器用于英语文本，但可能 在Configure => Global Settings中更改LocaleId属性以指定 其他语言的标记器。
令牌加权由于并非所有令牌都具有同等重要性，因此模糊 查找将权重分配给令牌。令牌被分配高权重，如果 它们很少出现在记录样本和低权重中，如果它们 经常发生。例如，诸如“公司”之类的常用词 可能会被赋予较低的权重，而诸如 “ Abracadabra”的体重可能更高。一个可以超越 通过提供自己的令牌权重表来默认令牌权重。
转换转换极大地提高了Jaccard的功能 通过将令牌从一个字符串转换为字符串来实现相似性 另一个。例如，您可能知道名称“ Bob”可以是 转换为“罗伯特”； “美国”与“美国”相同；要么 “ Missispi”是“密西西比州”的拼写错误。有许多 模糊查找处理的此类转换的类 自动，例如拼写错误（使用“编辑转换” 如下所述），字符串前缀和字符串合并/分割操作。 您还可以指定一个包含自己的自定义表格 转换。
转换下的Jaccard相似度 转换是任意两个Jaccard之间的最大相似度 每个集合的变换。给定一套转换规则，所有 考虑集合的可能变换。例如，对于 集{a，b，c}和{a，c，d}以及变换规则{b => d， d => e}，Jaccard相似度的计算如下： {a，b，c}：{a，b，c}，{a，d，c} {a，c，d}的变化形式：{a，c，d}， {a，c，e}所有对之间的最大Jaccard相似度：J（{a，b，c}， {a，c，d}）= 2/4 = 0.5 J（{a，b，c}，{a，c，e}）= 2/4 = 0.5 J（{a，d， c}，{a，c，d}）= 3/3 = 1.0 J（{a，d，c}，{a，c，e}）= 2/4 = 0.5 最大值为1.0。注意：转换后的Weghted Jaccard类似词 简直就是所有对的最大加权Jaccard相似度 转换集。
编辑距离编辑距离是字符总数 转换一个所需的插入，删除或替换 串到另一个。例如，“ misissipi”之间的编辑距离 而“ mississippi”为2，因为需要插入两个字符。 Fuzzy Lookup附带的转换提供者之一 是EditTransformationProvider，它生成特定的 每个输入记录的转换并创建一个转换 从令牌到字典中给定范围内的所有单词 编辑距离。归一化编辑距离是编辑距离 除以输入字符串的长度。在上一个示例中， 归一化的编辑距离是2/9 = .222。