在Python数据帧中匹配和比较字符串

我有两个数据帧。可以使用系统上某些字段的当前值的API来提取值。另一个具有这些字段的实际当前值。示例：系统上的名称和纸上的名称。我已经在common列中合并了这两个名称，但现在我正在尝试比较Python上的名称，看看它们是否近似匹配和/或是否需要更新。我有办法做到这一点吗？我相信这可以通过使用isnumber（搜索（…）在excel上完成

不区分大小写，可能考虑缩写（我可以编一个字典）来比较文本字符串

我的数据帧外观和所需结果的示例：

.tg{边框折叠：折叠；边框间距：0；}
.tg td{字体系列：Arial，无衬线；字体大小：14px；填充：10px 5px；边框样式：实心；边框宽度：1px；溢出：隐藏；分词：正常；边框颜色：黑色；}
.tg th{字体系列：Arial，无衬线；字体大小：14px；字体大小：正常；填充：10px 5px；边框样式：实心；边框宽度：1px；溢出：隐藏；分词：正常；边框颜色：黑色；}
.tg.tg-0lax{文本对齐：左；垂直对齐：上}
系统名称
当前名称
匹配
1.
苹果信息技术
苹果国际信息技术公司
不
2.
IBM国际集团
IBM国际集团
对

计算相似度并返回最高匹配概率可能是一个好方法

首先，您需要进行一些数据清理，例如删除特殊字符，将所有字符串转换为小写，然后使用相似性进行搜索

st1 = 'apple information technology'
st2 = 'apple international information technology'

from difflib import SequenceMatcher
SequenceMatcher(None, st1, st2).ratio() 

---

也许一个好方法是计算相似度，并返回最高的匹配概率

首先，您需要进行一些数据清理，例如删除特殊字符，将所有字符串转换为小写，然后使用相似性进行搜索

st1 = 'apple information technology'
st2 = 'apple international information technology'

from difflib import SequenceMatcher
SequenceMatcher(None, st1, st2).ratio() 

---

你可以在这里了解更多关于字符串相似性的差异

我只是想为您提供一个应用程序，以防您想使用pandas和您的度量来尝试不同的方法

import pandas as pd
from difflib import SequenceMatcher
df=pd.DataFrame({'Name on System':['APPLE INFORMATION TECHNOLOGY','IBM Intl group'],'Current Name':['Apple International Information Technology','IBM International Group']})

在函数中定义度量

def similiarity_ratio(row):
    return SequenceMatcher(None, row['Name on System'].lower(), row['Current Name'].lower()).ratio() 

df['Match']=df.apply(lambda x:similiarity_ratio(x),axis=1)
print(df)

输出

Current Name                                    Name on System                 Match
0   Apple International Information Technology  APPLE INFORMATION TECHNOLOGY  0.800000
1   IBM International Group                     IBM Intl group                0.756757

---

你可以在这里了解更多关于字符串相似性的差异

我只是想为您提供一个应用程序，以防您想使用pandas和您的度量来尝试不同的方法

import pandas as pd
from difflib import SequenceMatcher
df=pd.DataFrame({'Name on System':['APPLE INFORMATION TECHNOLOGY','IBM Intl group'],'Current Name':['Apple International Information Technology','IBM International Group']})

在函数中定义度量

def similiarity_ratio(row):
    return SequenceMatcher(None, row['Name on System'].lower(), row['Current Name'].lower()).ratio() 

df['Match']=df.apply(lambda x:similiarity_ratio(x),axis=1)
print(df)

输出

Current Name                                    Name on System                 Match
0   Apple International Information Technology  APPLE INFORMATION TECHNOLOGY  0.800000
1   IBM International Group                     IBM Intl group                0.756757

---

你的比较标准是什么？它们不是精确的弦，一个是，另一个是，现在你们在比较哪个轴？行还是列？@Chris我在比较列，所以IBM Intl group和IBM InternationalGroup@mad_近似匹配，因此任何高于某个比率预定阈值的匹配都将量化匹配？您的比较标准是什么？它们不是精确的弦，一个是，另一个是，现在你们在比较哪个轴？行还是列？@Chris我在比较列，所以IBM Intl group和IBM InternationalGroup@mad_近似匹配，因此任何高于某个比率的预定阈值的匹配都将量化匹配？可能重复感谢！将探索此包Hanks！将探索此软件包谢谢！difflib似乎是要探索的软件包。让我们看看它是否能满足我的需要。再次感谢您的帮助和指导。谢谢！difflib似乎是要探索的软件包。让我们看看它是否能满足我的需要。再次感谢您的帮助和指导。