Удалите одну новую строку для существующего набора данных - PullRequest
Новая
       26

Удалите одну новую строку для существующего набора данных

1 голос
/ 17 июня 2019

Я использую библиотеку dedupe python .

Подойдет любой пример кода, например, .

Допустим, у меня естьобучил deduper и использовал его для успешной дедупликации набора данных.

Теперь я добавляю одну новую строку в набор данных.

Я хочу проверить, является ли эта новая строка дубликатом или нет.

Есть ли способ сделать это в режиме дедупликации (без переклассификации всего набора данных)?

Обновление : я пробовал подсказку @libreneitor, но я просто получаю No records have been blocked together. Is the data you are trying to match like the data you trained on? Вот мой код ( CSV-файл ): 

import csv
import exampleIO
import dedupe

def canonicalImport(filename):
    preProcess = exampleIO.preProcess
    data_d = {}
    with open(filename) as f:
        reader = csv.DictReader(f)
        for (i, row) in enumerate(reader):
            clean_row = {k: preProcess(v) for (k, v) in
                         viewitems(row)}
            data_d[i] = clean_row
    return data_d, reader.fieldnames

raw_data = 'tests/datasets/restaurant-nophone-training.csv'

data_d, header = canonicalImport(raw_data)

training_pairs = dedupe.trainingDataDedupe(data_d, 'unique_id', 5000)

fields = [{'field': 'name', 'type': 'String'},
              {'field': 'name', 'type': 'Exact'},
              {'field': 'address', 'type': 'String'},
              {'field': 'cuisine', 'type': 'ShortString',
               'has missing': True},
              {'field': 'city', 'type': 'ShortString'}
              ]

deduper = dedupe.Gazetteer(fields, num_cores=5)
deduper.sample(data_d, 10000)
deduper.markPairs(training_pairs)
deduper.train(index_predicates=False)

alpha = deduper.threshold(data_d, 1)

data_d_test = {}
data_d_test[0] = data_d[0]
del data_d[0];

clustered_dupes = deduper.match(data_d, threshold=alpha)
clustered_dupes2 = deduper.match(data_d_test, threshold=alpha) <- exception here

1 Ответ

1 голос
/ 17 июня 2019

Вы можете match новый ряд против вашего существующего Dedupe.

Но если вы уже достигли дедуплицированного набора данных, вы можете использовать Gazetteer, чтобы добавить больше уникальных данных, а затем снова вызвать match.

...