Примените нечеткое сопоставление и получите столбцы идентификаторов с матрицей баллов для каждого совпадения. - PullRequest
Новая
       25

Примените нечеткое сопоставление и получите столбцы идентификаторов с матрицей баллов для каждого совпадения.

0 голосов
/ 25 октября 2018

У меня есть 2 кадра данных панд, которые я хотел бы сделать нечетким соответствием на основе одного из столбцов.Один фрейм данных (опорный фрейм данных) с ~ 5000 строками содержит псевдонимы имен с похожими идентификаторами, которые я хотел бы сопоставить с другим фреймом данных (внешним) из ~ 1500 строк с идентификаторами.

Таким образом, для каждого матча я получу нечеткие оценки, а затем решу, какую оценку я бы хотел использовать в качестве лучшего соответствия между обоими фреймами данных.Подмножество обоих фреймов данных используется в примере ниже.

import pandas as pd    
from fuzzywuzzy import fuzz

#Reference data frame
aka_df = pd.DataFrame({"grp_id":['M-00353','M-00353','M-00353','M-00538','M-00538','M-00160','M-00160','M-00160','M-00509','M-00509','M-00509','M-00509'],
    "name": ['Buatan I Mill','Inti Indosawit Subur (PKS Buatan I)','Pt Inti Indosawit Subur Buatan I','Batang Kulim','Musim Mas - Batang Kulim','Hindoli (Sungai Lilin)','Hindoli (Pks Sei Lilin)','PT Hindoli',
'Agrowiratama Sukajadi Sawit Mekar 1','PKS PT. Sukajadi Sawit Mekar','Sukajadi Sawit Mekar','Sukajadi Sawit Mekar 1']})

# External data frame    
ext_df = pd.DataFrame({"uml_id": ['P021','P054','P058','P106'],
"mill_name": ['Pt Inti Indosawit Subur - Buatan I','Pt. Musim Mas - Pks Batang Kulim', 'Cargill - Hindoli', 'Pks Pt. Sukajadi Sawit Mekar']})


compare = pd.MultiIndex.from_product([aka_df['name'],ext_df['mill_name']]).to_series()

def metrics(tup):
    return pd.Series([fuzz.ratio(*tup)],['ratio'])

# Create df
compare_df = compare.apply(metrics)

# Reshaping data frame
merge_df = compare_df.reset_index()
unstack_df = merge_df.groupby(['level_0','level_1'])[ 'ratio'].mean().unstack('level_1')

Моя ссылка на код для сравнения двух фреймов данных взята из этого вопроса.Это примерно дает мне то, что мне нужно, а именно:

enter image description here

Однако, более критический столбец, который мне нужен из соответствующей матрицы, это идентификаторы из обоихфреймы данных, как показано ниже.

enter image description here

Я все еще довольно плохо знаком с Python, и я уверен, что это довольно легко сделать, но некоторые указания на этоочень высоко ценится.

1 Ответ

0 голосов
/ 25 октября 2018

Вы можете использовать merge() вместе со словарным пониманием в вашей функции, переданным в apply(): 

import pandas as pd    
from fuzzywuzzy import process,fuzz

def get_matches(x):

    matches = process.extract(x['name'], ext_df['mill_name'], scorer=fuzz.ratio)
    return pd.Series({ext_df.iloc[i[2]]['uml_id']: i[1] for i in matches})

aka_df.merge(aka_df.sort_values('name').apply(get_matches, axis=1), left_index=True, right_index=True)

Выход: 

     grp_id                                 name  P021  P054  P058  P106
0   M-00353                        Buatan I Mill    34    36    27    29
1   M-00353  Inti Indosawit Subur (PKS Buatan I)    91    48    27    32
2   M-00353     Pt Inti Indosawit Subur Buatan I    97    50    29    40
3   M-00538                         Batang Kulim    30    55    28    15
4   M-00538             Musim Mas - Batang Kulim    38    86    34    23
5   M-00160               Hindoli (Sungai Lilin)    36    15    37    33
6   M-00160              Hindoli (Pks Sei Lilin)    32    37    36    32
7   M-00160                           PT Hindoli    36    33    59    26
8   M-00509  Agrowiratama Sukajadi Sawit Mekar 1    35    15    12    70
9   M-00509         PKS PT. Sukajadi Sawit Mekar    39    30    18   100
10  M-00509                 Sukajadi Sawit Mekar    33    19    11    83
11  M-00509               Sukajadi Sawit Mekar 1    36    22    15    80

Также, вот полезный ссылка , которая дает представление о различных алгоритмах оценки fuzzywuzzy.

...