нечеткое соответствие, когда датафреймы имеют разную длину - PullRequest
Новая
       87

нечеткое соответствие, когда датафреймы имеют разную длину

0 голосов
/ 03 июля 2018

они пометили этот вопрос как дубликат, но он не ответил, поэтому попробуйте снова.

У меня есть два набора данных df2 

>                                             Page Title  ...    dummy
>     383  India Companies Act 2013: Five Key Points Abou...  ...        1
>     384  Seven Things Every Company Should Know about A...  ...        1
>     385  What Is a Low-Carbon Lifestyle, and How Can I ...  ...        1
>     386             Top 10 CSR Events of 2010 | Blog | BSR  ...        1
>     387  10 Social Media Rules for Social Responsibilit...  ...        1

df1 

        title
0       Building Responsibly Announces Worker Welfare...
1       Announcing a New Collaboration Using Tech to ...
2       Sustainability Standards Driving Impact for W...
3       What the Right to Own Property Means for a La...
4       The Digital Payments Opportunity: A Conversation
5       The US$660 Billion Sustainable Supply Chain F...
6       A New Tool to Assess the Impact of Your Healt...
7       The Global Climate Action Summit: How Busines...
8       Two Ways Responsible Investors Can Promote In...
9                         Where BSR Will Be in June 2018
10         Scaling a Renewable Future for Internet Power
11      How Health Training Changed Social Norms in H...
12      A Map to Help Business Collaborate with Anti-...

они имеют разную длину.

Я попробовал подход 

df2['Page Title'] = df2['Page Title'].apply(lambda x: difflib.get_close_matches(x, df1.title)[0])

но я получаю следующую ошибку, возможно из-за разной длины 

df2['Page Title'] = df2['Page Title'].apply(lambda x: difflib.get_close_matches(x, df1.title)[0])

IndexError: список индексов вне диапазона

как это решить?

1 Ответ

0 голосов
/ 11 сентября 2018

Это должно работать: matched_titles = [] 

for row in df1.index:
    title_name = df1.get_value(row,"Page Title")
    for columns in df2.index:
        title=df2.get_value(columns,"title")
        matched_token=fuzz.partial_ratio(title_name,title)
        if matched_token> 80:
            matched_titles.append([title_name,title,matched_token])
...