在python中：如何找到同一行中字符串的匹配，将（模糊的）匹配字符串的一部分与列表进行比较？

我有一个匹配的问题，我已经试图解决，但没有找到一种方法来这样做。我是python新手，所以可能有一些简单的方法来实现这一点。我搜索了这些问题，但没有找到任何符合我需要的东西

目的

我需要确定一个“类型”的人（定义见下文），如果他们属于一组列表中的一组，请记下该组。结果应该是数据框中的一行，其中包含对人员姓名、类型和所属关系的观察。所有数据都以字符串的形式存在，我必须解析出字符串的多个部分

数据

我的数据当前如下所示：

lastname       person1                person2                person3
smith          matt smith, company a  tom jones, company b   karen cook, company c
jones          matt smith, company a  tom jones, company b   karen cook, company c
cook           matt smith, company a  tom jones, company b   karen cook, company c

lastname       person1                person2                person3
smith          matt smith, company a  tom jones, company b   karen cook, company c
jones          matt smith, company a  tom jones, company b   karen cook, company c
cook           matt smith, company a  tom jones, company b   karen cook, company c

此外，我还有一份公司名单

CompanyName
company a
company b
company d

CompanyName
company a
company b
company d

对于数据帧中的每一行，步骤大致是（伪cod ish）

If lastname is in person1:
   if person1 company is in list of CompanyNames:
       df['persontype'] = 1 #where 1 indicates being in a listed company
       df['affiliation'] = company name #the matched item from CompanyName list
   else if lastname is in person2: 
       if person2 company is in list of CompanyNames: 
            df['personatype'] = 1
            df['affiliation'] = company name
       else if lastname is in person3: 
            if person3 company name is in list of CompanyNames: 
                df['persontype'] = 1
                df['affiliation'] = company name
            else: 
                df['persontype'] = 0 #indicating a person in an unlisted company
                df['affiliation'] = 'Unlisted'

我知道读起来很糟糕，但我才刚刚开始。（欢迎大家发表意见。）

这些问题是：

lastname很短，因此与人员列表的匹配可以是简单的

在'b'

中的'a'，但我希望person1…N字符串中的公司名称会有拼写错误或特殊性（将“C-SPAN”和“CSPAN”视为一个名称的可能版本）

人员的列数是静态的。也就是说，它是固定的（尽管许多条目将是空的，因此当列数固定为100时，一些行将只有1或2个条目）

person1…N字符串的格式不一致。也就是说，可能有多个逗号、句点、连字符等。因此，在逗号a上拆分后得到所有内容并不总是给出公司名称 更新

由于有很多问题，我意识到我对数据的格式还不够详细。

person1..N

列下的条目变化很大。以下列中的实际数据示例：

person1
Hill, Daniel O., Assistant Administrator for Technology, U.S. Small Business Administration
person2
R&D Credit Coalition, R. Randall Capps

这就是为什么我没有立即尝试使用

.split（）

方法。代币的顺序不统一，一些代币有职位/职务以及组织名称，并且名称不总是按“电话簿”顺序排列

期望的结果

我想以一个数据帧作为结束（除了所有其他列之外）

非常感谢你在这方面的指点和指导。我一直在使用模糊模组，但没有取得任何成功

---

注意：我这里不提供示例代码，因为失败不是一行或一个函数。我提供的任何东西都会有太多的辅助问题，不值得您花时间来研究

数据格式

提供的数据格式不清楚关联或分隔符，因此我将重申我认为您的意思。（在python语法结构中）

您的数据：

此外，我还有一份公司名单

CompanyName
company a
company b
company d

CompanyName
company a
company b
company d

我认为这意味着：

我认为应该如何格式化

期望的结果

其目的是提供以下输出：

lastname  ...   persontype     affiliation 
smith           1              company a
jones           1              company b
cook            0              None

如何获得期望的结果

注意：这是使用我认为最好的格式

print('lastname\tpersontype\taffiliation\n')
for last in lastname:
    if last in names:
        full = names[last]
        if full in affiliations:
            comp = affiliations[full]
            if comp in companies:
                print(full+'\t1\t'+comp)
            else:
                print(full+'\t0\tNone')
        else:
            print(full+' is not listed in affiliations.')
    else:
        print(last+' has no matches in names.')
    print('\n')

我不知道您是否能够创建我认为您应该使用的数据格式。虽然如果您的数据是纯文本格式，并且具有您提供的形状，那么读取文件和处理行应该相当简单

如果要将其打印回文件，也可以研究open（）和write（）内置函数

---

我希望这是有帮助的。享受吧

每行的person1-3列是否始终相同？这是一种非常低效的数据存储方式。谢谢你的提问。不，它们并不总是一样的。有重复，但那是因为数据涵盖了团体改变成员身份的若干年。好的，那么我认为如果样本数据显示这些情况会更好。非常感谢；您对格式的澄清非常有帮助。我认为我唯一没有传达的与您所注意到的不同之处是，

person1…N

下的整个条目是一个字符串。它是一个字符串，每次的格式可能都不一样（可以是“matt smith director company a”或“matt smith director company a”或其他，但总是与“company a”一起），这就是为什么我要研究模糊匹配。因此，我不知道如何在不使用公司列表搜索字符串的情况下将其转换为dict格式。再次感谢！split（）将返回字符串中的单词列表（删除标点符号）。像这样使用：

strings='this，is。字符串“

然后

words=strings.split（）

。然后，您可以使用列表理解或其他技术提取信息以填充列表和字典。要读取文件，请查看

readlines（）

函数。它将为文件的每一行提供易于处理的字符串。然后，您可以使用

split（）

将该行拆分为列。问题是，至少对像我这样的新手来说，吐口水后的物品顺序是不统一的。例如，这里有两个实际的条目：

Person1:Cove，Thomas J.，体育用品制造商协会政府关系副主席

Person2:R&D信贷联盟，R.Randall Capps

您可以看到问题：公司名称并不总是排在第二位，此人的姓氏并不总是排在第一位，等等。很抱歉，这不在原始问题中。我想答案应该是模糊匹配。再次感谢@因此，如果您只是使示例数据更真实，您的境况会更好。这是一个巨大的评论部分，因为您的示例数据比实际数据简单得多。把它放在问题本身中比放在一堆后续的c中要好得多

print('lastname\tpersontype\taffiliation\n')
for last in lastname:
    if last in names:
        full = names[last]
        if full in affiliations:
            comp = affiliations[full]
            if comp in companies:
                print(full+'\t1\t'+comp)
            else:
                print(full+'\t0\tNone')
        else:
            print(full+' is not listed in affiliations.')
    else:
        print(last+' has no matches in names.')
    print('\n')