Нечеткое совпадение строк Python как таблица / матрица стилей корреляции - PullRequest
Новая
       11

Нечеткое совпадение строк Python как таблица / матрица стилей корреляции

0 голосов
/ 12 ноября 2018

У меня есть файл с x количеством имен строк и связанных с ними идентификаторов. По сути, два столбца данных.

То, что я хотел бы, - это таблица стилей корреляции с форматом x по x (имеющая рассматриваемые данные как по оси x, так и по оси y), но вместо корреляции мне бы хотелось, чтобы функция fuzzywuzzy из библиотеки fuzz. Соотношение (x, y) в качестве выходных данных с использованием имен строк в качестве входных данных. По сути, работает каждая запись против каждой записи.

Это то, что я имел в виду. Просто чтобы показать мои намерения: 

import pandas as pd
from fuzzywuzzy import fuzz

df = pd.read_csv('random_data_file.csv')

df = df[['ID','String']]
df['String_Dup'] = df['String'] #creating duplicate of data in question
df = df.set_index('ID')

df = df.groupby('ID')[['String','String_Dup']].apply(fuzz.ratio())

Но, очевидно, этот подход сейчас не работает для меня. Любая помощь приветствуется. Это не обязательно должны быть панды, это просто среда, с которой я относительно хорошо знаком.

Я надеюсь, что моя проблема четко сформулирована, и действительно, любой вклад приветствуется,

Ответы [ 3 ]

0 голосов
/ 12 ноября 2018

В пандах, декартово перекрестное произведение между двумя столбцами может быть создано с использованием фиктивной переменной и pd.merge.Операция fuzz применяется с использованием apply.Последняя операция поворота извлечет формат, который вы имели в виду.Для простоты я пропустил операцию groupby, но, конечно, вы можете применить процедуру ко всем групповым таблицам, переместив приведенный ниже код в отдельную функцию.

Вот как это может выглядеть: 

import pandas as pd
from fuzzywuzzy import fuzz

# Create sample data frame.
df = pd.DataFrame([(1, 'abracadabra'), (2,'abc'), (3,'cadra'), (4, 'brabra')],
                  columns=['id', 'strings'])

# Cross product, using a temporary column.
df['_tmp'] = 0
mrg = pd.merge(df, df, on='_tmp', suffixes=['_1','_2'])

# Apply the function between the two strings.
mrg['fuzz'] = mrg.apply(lambda s: fuzz.ratio(s['strings_1'], s['strings_2']), axis=1)

# Reorganize data.
ret = mrg.pivot(index='strings_1', columns='strings_2', values='fuzz')
ret.index.name = None 
ret.columns.name = None

# This results in the following:
#              abc  abracadabra  brabra  cadra
# abc          100           43      44     25
# abracadabra   43          100      71     62
# brabra        44           71     100     55
# cadra         25           62      55    100
0 голосов
/ 12 ноября 2018

Используйте функцию pandas 'crosstab, а затем по столбцу apply, чтобы вычислить фазз. Это значительно элегантнее, чем мой первый ответ. 

import pandas as pd
from fuzzywuzzy import fuzz

# Create sample data frame.
df = pd.DataFrame([(1, 'abracadabra'), (2,'abc'), (3,'cadra'), (4, 'brabra')],
                  columns=['id', 'strings'])
# Create the cartesian product between the strings column with itself.
ct = pd.crosstab(df['strings'], df['strings'])
# Note: for pandas versions <0.22, the two series must have different names.
# In case you observe a "Level XX not found" error, the following may help:
# ct = pd.crosstab(df['strings'].rename(), df['strings'].rename())

# Apply the fuzz (column-wise). Argument col has type pd.Series.
ct = ct.apply(lambda col: [fuzz.ratio(col.name, x) for x in col.index])

# This results in the following:
#       strings      abc  abracadabra  brabra  cadra
#       strings
#       abc          100           43      44     25
#       abracadabra   43          100      71     62
#       brabra        44           71     100     55
#       cadra         25           62      55    100

Для простоты я пропустил операцию groupby, как предложено в вашем вопросе. Если вам нужно применить нечеткое сопоставление строк к группам, просто создайте отдельную функцию: 

def cross_fuzz(df):
    ct = pd.crosstab(df['strings'], df['strings'])
    ct = ct.apply(lambda col: [fuzz.ratio(col.name, x) for x in col.index])
    return ct

df.groupby('id').apply(cross_fuzz)
0 голосов
/ 12 ноября 2018 
import csv
from fuzzywuzzy import fuzz
import numpy as np  

input_file = csv.DictReader(open('random_data_file.csv')) 
string = []
for row in input_file: #file is appended row by row into a python dictionary
    string.append(row["String"]) #keys for the dict. are the headers



#now you have a list of the string values
length = len(string)
resultMat = np.zeros((length, length)) #zeros 2D matrix, with size X * X

for i in range (length):
    for j in range (length):
        resultMat[i][j] = fuzz.ratio(string[i], string[j])

print resultMat

Я сделал реализацию в numby 2D матрице. Я не так хорош в пандах , но я думаю, что вы делали, добавляя другой столбец и сравнивая его со столбцом строки, что означает: строка [i] будет соответствовать string_dub [i], все результаты будет 100

Надеюсь, это поможет

...