Python 将fuzzyfuzzy应用于具有许多名称的文档

我有一个df，看起来像这样：

Name                |Address | State | Phone | Website
--------------------------------------------------------
agua calienta       |etc etc etc
agua caliente       |
blue lake           |
blue lake club      |
artichoke           |
artichoke club      |
creek club          |
cahuilla creek      |
cahuilla crek resort|
taj club            |
taj mahal           |
taj mahal club hotel|

df['Name'] = df['Name'].map(lambda x: replace_name(x))

等等。
该名称为度假村/酒店名称，但数据中有许多拼写错误和名称变体。 使用Levensteins距离和

fuzzyfuzzy

包，我可以得到所有类似的名字

choices = df['Name'].unique()

def get_ratio(row):
    name = row['Name']
    return fuzz.token_sort_ratio(name, 'agua caliente')

df[df.apply(get_ratio, axis = 1) > 60]

然后我可以通过使用

df.loc[df.apply(get_ratio, axis=1) > 75, "Name"] = "Agua Caliente"

但是，这只适用于我使用的1名称

是否有办法将此应用于所有相似的名称？
例如，申请后，我会得到如下结果：

Name                |Address | State | Phone | Website
--------------------------------------------------------
Agua Caliente       |etc etc etc
Agua Caliente       |
Blue Lake Club      |
Blue Lake Club      |
Artichoke Club      |
Artichoke Club      |
Creek Club          |
Cahuilla Resort     |
Cahuilla Resort     |
Taj Mahal           |
Taj Mahal           |
Taj Mahal           |

---

我有一份所有可能的名字的参考清单。如何循环并应用get_ratio函数遍历列表并返回列表中所有相似的名称？

您需要一个完整的正确名称列表

taj club            
taj mahal           
taj mahal club hotel

您需要一个具有正确名称的引用表（或规则列表）。在上面的示例中，参考表字段需要是

Taj Mahal

，而不是

Taj club

或

Taj Mahal club hotel

基于此，您将使用您提到的方法，即

模糊模糊

和Levenshtein距离。不幸的是，如果不知道正确的引用（“泰姬陵”，在本例中），就没有确切的方法应用函数来猜测正确的引用。这是您需要采取的基于规则的方法

附加的

根据注释，您需要创建一个函数，将其与参考表进行比较，获得分数，然后返回正确城市的名称

例如：

def replace_name(name_of_city: str):
    #
    # Extra code to look up your reference table
    # and find the correct city name (with the lowest or highest
    # score) depending on your methodology

    return name_of_correct_city

然后将此函数映射到数据帧中的整个

Name

列，如下所示：

Name                |Address | State | Phone | Website
--------------------------------------------------------
agua calienta       |etc etc etc
agua caliente       |
blue lake           |
blue lake club      |
artichoke           |
artichoke club      |
creek club          |
cahuilla creek      |
cahuilla crek resort|
taj club            |
taj mahal           |
taj mahal club hotel|

df['Name'] = df['Name'].map(lambda x: replace_name(x))

---

我希望这会有所帮助。

我可以创建一个参考表，我的问题是，我是否可以将该函数同时应用于所有内容，因此它不必单独返回每个名称，而是返回参考列表中所有相似的名称。例如，对于泰姬陵，它会归还所有与之类似的东西，然后清洗并更换。我将编辑我的问题，使其更详细clear@Dasax121谢谢你把问题说得更清楚。我假设您没有参考表，因为它没有被提及。我将编辑我的答案。简言之，一旦有了一个包含所有规则的函数，就可以在数据框中的列上使用

map

函数，并将其应用于整个列。@Dasax121:我编辑了我的答案来回答您的问题。如果这能让事情更清楚，请告诉我。