Как сохранить дедупликации в нечеткой форме? - PullRequest
Новая
       182

Как сохранить дедупликации в нечеткой форме?

0 голосов
/ 11 июля 2020

Я использую fuzzy-wuzzy для дедупликации. Я хочу сохранить дедупликации и не удалять их, а также отмечать их на основе их ближайших совпадений. Например 

FirstName|LastName|Cluster
Jennifer |Lopez   |0
Kanye    |West    |1
Jennifer |L       |0
K        | West   |1

. Я пытаюсь изменить код на уровне библиотеки. Я уже два дня чешу затылок и не могу понять. Итак, наконец-то подумал о помощи. Вот код: 

def dedupe(contains_dupes, threshold, scorer=fuzz.token_set_ratio):
    

    extractor = []

    # iterate over items in *contains_dupes*
    for item in contains_dupes:
        # return all duplicate matches found
        matches = process.extract(item, contains_dupes, limit=None, scorer=scorer)
        # filter matches based on the threshold
        filtered = [x for x in matches if x[1] > threshold]
        print(filtered)
        # if there is only 1 item in *filtered*, no duplicates were found so append to *extracted*
        
        if len(filtered) == 1:
            extractor.append(filtered[0][0])
    

        else:
            # alpha sort
            filtered = sorted(filtered, key=lambda x: x[0])
            # length sort
            filter_sort = sorted(filtered, key=lambda x: len(x[0]), reverse=True)
            # take first item as our 'canonical example'
            extractor.append(filter_sort[0][0])
    
    
    # uniquify *extractor* list
    keys = {}
    for e in extractor:
        keys[e] = 1
    extractor = keys.keys()
   

    # check that extractor differs from contain_dupes (e.g. duplicates were found)
    # if not, then return the original list
    if len(extractor) == len(contains_dupes):
        print("Length of extractor and contain_dupes is same so returning contain_dupe \n")
        return contains_dupes
    else:
        print("Returning extractor")
        return extractor
#Using dataframe as I have a csv but the function takes in a list
df=pd.read_csv('Some_csv')
#Concatenating all the columns  
df['combined']=df['FirstName']+'+'+df['LastName']

contain_dupes=df['combined'].toList()
dedupe(contain_dupes,70)
...