Python 在fuzzyfuzzy中传递多个参数

我在9000多条记录的数据集上应用了模糊wuzzy函数 如图所示：

def fuzzy(name, column):
    all = []     
    #fuzzy set 
    set = process.extract(name, column, scorer=fuzz.token_set_ratio)
    for set_result in set:
        set_data = {}
        set_data['name'] = set_result[0] 
        set_data['Matching Score'] = set_result[1]
        set_data['Function'] = "set" 
        all.append(set_data)
    return all  

     
#apply similrty  
def Get_all(name): 
    fuzzy_all= []
    fuzzy= fuzzy(name,table.Name)
    fuzzy2= fuzzy(soundex.encode_word(name),table["name_encoded"])
    fuzzy_all=fuzzy+fuzzy2
    return fuzzy_all

是否有一种方法可以改进函数并同时传递多个参数（

列

或

名称

），只调用fuzzy一次，这样fuzzy就不必多次访问整个数据集？

process.extract 首先，我将解释什么是

过程。extract

可以用于什么，以及可以传递给它的所有参数的含义，因为它经常被误用，这会对性能产生很大影响。在解释中，我将始终参考图书馆（我是作者）。Rapidfuzz实现了相同的字符串匹配算法，并且具有非常相似的接口（当它们有助于提高性能时，存在一些差异）

rapidfuzz中的

process.extract

具有以下接口：

def scorer(s1, s2, processor, score_cutoff)

提取(
查询
选择，
记分员=，
处理器=，
限值=5，
分数（截止值=0）

该函数用于在选项列表中查找查询的最佳匹配项

查询 query是要查找的字符串

选择 选项支持两种影响函数返回内容的输入

具有方法

项的类型。例如
dicts
或
pandas.Series
在这种情况下，函数将比较映射到查询的所有值，并以[（，），…]的形式返回结果的排序列表。
例如，使用熊猫系列

，您将收到[（，），…]

可编辑的任何类型，例如列表或生成器 在这种情况下，函数将把Iterable的所有值与查询进行比较，并以[（，），…]的形式返回结果的排序列表

加工机 processor是一个函数，用于在比较查询和每个选项之前对其进行预处理。这可以是任何接受字符串作为参数并返回字符串的函数。 默认情况下，这是

rapidfuzz.utils.default_process

，它将降低字符串的大小写，删除非字母数字字符，并删除字符串开头/结尾的空格

记分员 scorer是用于将查询与每个选项进行比较的函数，需要以下界面：

def scorer(s1, s2, processor, score_cutoff)

s1和s2是两个字符串。处理器通常在

进程中作为None传递。extract

可停用预处理，因为这已在

进程内完成。extract

。Score_cutoff是两个字符串之间所需的最小相似性。如果未达到此相似性，则应返回0

默认情况下，该记分器为

fuzz.WRatio

，它将多个不同的比率组合在一起并对它们进行加权。其他可用得分手可在此处找到： 或者，您可以使用类似的接口创建自己的函数来执行比较

分数线 如上所述，score_cutoff用于设置字符串匹配的最小相似性。低于此相似度的元素将不会添加到结果中。提供此参数有助于提高性能，因为它允许rapidfuzz使用更快的算法来比较字符串： 当未提供评分截止值时，rapidfuzz将始终使用具有O（N*M）运行时间的levenshtein距离。但是，当通过时，它将：

比较两个字符串的长度，以确定是否可以在恒定时间内达到分数_截止值，如果无法达到，则返回0（分数至少与levenshtein距离一样高）

它将计算O（N+M）时间内一个字符串中出现但另一个字符串中不出现的字符数，以确定是否可以达到分数截止值，如果不能，则提前退出（分数至少与levenshtein距离一样高）

只有当它不能提前退出时，才计算levenshtein距离

限度 使用此参数可以将结果量限制为

选项中的
限制
最佳匹配。默认情况下，这是5，因此您将只获得5个最佳结果。通过设置
limit=None
您将获得所有结果，只要它们没有被
score\u截止值过滤掉

函数中最耗时的部分是调用
process.extract

extract（查询、选择、处理器=默认处理器、计分器=默认计分器、限制=5）：

改进性能的可能性
以下几点可能有助于您实现更好的绩效：

您可能应该使用，因为它要快得多。这是因为我在C++中实现了所有的东西，而且很多模糊算法都可以得到很大的改进。

您可以通过将
processor=None
传递到
process.extract
来取消对字符串的预处理。当您需要对数据进行预处理时，您可以提前执行一次，这样您就不必在调用
Get\u all


如上所述，提供
分数\u截止值可以帮助提高性能


最后一个选项是编写一个优化版本的
process.extract
。现在它计算通过的所有选择的分数。但是，在找到分数高于
分数线的
限制
选项后，可以将
分数线
增加到结果中的最小分数。然而，这需要维护一个当前最佳结果的排序列表，因此它可能值得，也可能不值得。当您只对最佳结果
过程感兴趣时。extractOne
已经在使用此技术来改进运行时


提取过程
我将首先解释一下什么是
过程。extract
可以用于什么，以及可以传递给它的所有参数的含义，因为它经常被误用，这会对