Python 应用双lambda函数的性能问题

我有两个数据帧：df1、df2，每个数据帧都包含一个带名称的列。我将df1中的每个名称与df2中的每个名称进行比较。 这必须是近似匹配。Iam使用模糊标记排序比率来获得比较分数

然而，这种方法非常慢，而且df2一直在增长，它已经需要半个多小时（4k x 2k行）。 有没有办法加快这个过程

我目前的执行情况：

def match(df2,name):
    df2['score'] = df2['name'].map(lambda x: fuzz.token_sort_ratio(x, name))
        return df2.loc[(df2['score'].idxmax())

df1['result']=df1['name'].map(lambda x: match(df2,x))

你可以试试这个

从fuzzyfuzzy导入fuzz
def相似性（名称1、名称2）：
返回fuzz.token\u sort\u比率（name1，name2）
df1['key']=1
df2['key']=1
merged=df1.merge（df2，on='key'）
合并['name_score']=合并['name_x'，'name_y']]\
.apply（lambda行：相似性（行['name\u x']，行['name\u y']），轴=1）

或者

从fuzzyfuzzy导入fuzz
def相似性（名称1、名称2）：
返回fuzz.token\u sort\u比率（name1，name2）
df1['key']=1
df2['key']=1
merged=df1.merge（df2，on='key'）
分数=列表（地图（相似性，合并['name\u x']，合并['name\u y']））
合并['name_score']=分数