Question

我正在尝试将2个列表中的公司名称匹配在一起，以便检查列表A中是否确实存在列表A中的公司。由于公司名称以各种不同的形式书写，因此我倾向于匹配使用cosing相似度。为此，我遵循了Ran Tavory在此博客上的注释：Link Here

以下是概述：

在驱动程序上计算TF-IDF矩阵。

并行化矩阵A；广播矩阵B

每个工人现在通过将其矩阵A的块与整个矩阵B相乘来平整其工作块。因此，如果一个工人在   A [0:99]然后它将乘以这100行，并返回   A [13]的结果与B [21]中找到的名称匹配。乘法是   使用numpy完成。

驾驶员将收集不同工人的所有结果，并将索引（A [13]和B [21]）与实际名称匹配。   原始数据集－就完成了！

我能够运行注释中描述的确切代码，但是其中一部分似乎有点奇怪： b_mat_dist = broadcast_matrix(a_mat)

在广播a_mat以及并行化a_mat时，我得到了每个公司名称完全匹配的逻辑结果（就像我们在同一来源中查找的一样）。

当我尝试广播b_mat时：b_mat_dist = broadcast_matrix（b_mat），出现以下错误： Incompatible dimension for X and Y matrices: X.shape[1] == 56710 while Y.shape[1] == 2418

任何帮助将不胜感激！预先感谢！

这是我的代码：

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
from pyspark.sql import SQLContext, SparkSession
from pyspark import SparkContext
from scipy.sparse import csr_matrix
vectorizer = TfidfVectorizer()

if 'sc' in locals():
    sc.stop()

sc = SparkContext("local", "Simple App")

pd.set_option('display.max_colwidth', -1)
RefB =  pd.read_excel('Ref.xlsx')
ToMatchB =  pd.read_excel('ToMatch.xlsx')

Ref = RefB['CLT_company_name']
ToMatch = ToMatchB ['Name1']

a_mat = vectorizer.fit_transform(Ref)
b_mat = vectorizer.fit_transform(ToMatch)

def find_matches_in_submatrix(sources, targets, inputs_start_index,
                              threshold=.8):
    cosimilarities = cosine_similarity(sources, targets)
    for i, cosimilarity in enumerate(cosimilarities):
        cosimilarity = cosimilarity.flatten()
        # Find the best match by using argsort()[-1]
        target_index = cosimilarity.argsort()[-1]
        source_index = inputs_start_index + i
        similarity = cosimilarity[target_index]
        if cosimilarity[target_index] >= threshold:
            yield (source_index, target_index, similarity)

def broadcast_matrix(mat):
    bcast = sc.broadcast((mat.data, mat.indices, mat.indptr))
    (data, indices, indptr) = bcast.value
    bcast_mat = csr_matrix((data, indices, indptr), shape=mat.shape)
    return bcast_mat

def parallelize_matrix(scipy_mat, rows_per_chunk=100):
    [rows, cols] = scipy_mat.shape
    i = 0
    submatrices = []
    while i < rows:
        current_chunk_size = min(rows_per_chunk, rows - i)
        submat = scipy_mat[i:i + current_chunk_size]
        submatrices.append((i, (submat.data, submat.indices, 
                                submat.indptr),
                            (current_chunk_size, cols)))
        i += current_chunk_size
    return sc.parallelize(submatrices)

a_mat_para = parallelize_matrix(a_mat, rows_per_chunk=100)
b_mat_dist = broadcast_matrix(b_mat)
results = a_mat_para.flatMap(
        lambda submatrix:
        find_matches_in_submatrix(csr_matrix(submatrix[1],
                                             shape=submatrix[2]),
                                   b_mat_dist,
                                   submatrix[0]))

Answer 1

尝试均衡两个TfidVectorizer对象的词汇量：

vect = CountVectorizer()
vocabulary =  vect.fit(Ref + ToMatch).vocabulary_
vectorizer = TfidfVectorizer(vocabulary=vocabulary)

还要基于您的目标：

a_mat = vectorizer.fit_transform(ToMatch)
b_mat = vectorizer.fit_transform(Ref)

对我来说似乎是一个更好的选择。

通过余弦相似度，TF-IDF和pyspark在Python中匹配公司名称

1 个答案: