Python 如何在数据帧中使用LSH查找相邻重复项？

我有一些列，比如文件名、文件大小和日期，我想通过考虑所有参数来查找附近的副本

Id        Name                          Size        Date
1   lib_mysqludf_sys.html               8934    2020-11-10 06:25:57
2   lib_mysqludf_sys.c                  8715    2020-11-10 12:12:41
3   lib_mysqludf_sys.so                 8480    2020-11-10 08:51:33
4   install.sh                          1544    2020-11-10 12:17:16
5   lib_mysqludf_sys.sql                7900    2020-11-10 06:25:59
6   Makefile                            124     2020-11-10 06:36:43
7   lib_mysqludf_sys-master             4096    2020-11-10 12:12:41
8   cmake-3.17.0.tar.gz                 9466484 2020-11-09 08:23:31
9   fileclassification.cpython-36.pyc   522     2020-11-03 12:00:43
10  fileclassification.cpython-38.pyc   518     2020-11-04 05:49:24
11  __pycache__                         4096    2020-11-04 05:49:24
12  fileclassification.py               272     2020-11-03 12:00:41
13  asset_classifier                    4096    2020-11-03 12:00:42
14  pyvenv.cfg                          69      2020-11-04 04:56:36

正如上面的dataframe，我们有4个文件，它们具有附近的文件名、大小和日期

预期产量

Id    Name                     Near Duplicates  
1     lib_mysqludf_sys.html    ['lib_mysqludf_sys.c','lib_mysqludf_sys.so',
                                'lib_mysqludf_sys.html','lib_mysqludf_sys.sql']  

---

除非附近的文件像您的示例中那样清晰，否则它将是不稳定的。你对“近在咫尺”有更精确的逻辑或定义吗？9号线和10号线在附近吗？它们很可能是完全不同的文件。@SergedeGossondevarenes是的，它们是附近的重复文件，因为它们的文件名、大小和日期几乎匹配。除非附近的文件像您的示例中那样清晰，否则它将是不稳定的。你对“近在咫尺”有更精确的逻辑或定义吗？9号线和10号线在附近吗？它们很可能是完全不同的文件。@SergedeGossondevarenes是的，它们几乎是重复的，因为它们的文件名、大小和日期几乎匹配。