python - 查找 DataFrame 的两个字符串列之间的相似性

Question

我是编程新手。我有一个 pandas 数据框，其中有两个字符串列。

数据框如下:

Col-1             Col-2
Update            have a account
Account           account summary
AccountDTH        Cancel
Balance           Balance Summary
Credit Card       Update credit card

这里我需要检查 Col-2 元素与 Col-1 的每个元素的相似性。 这意味着我必须将 have a account 与 Col-1 的所有元素进行比较。 然后找到前3个相似的。假设相似度分数是:Account(85),AccountDTH(80),Balance(60),Update(45),Credit Card(35)。

预期输出是:

Col-2              Output
have a account     Account(85),AccountDTH(80),Balance(60)

Answer 1

您可以使用类似 fuzzywuzzy 的 Python 库在这里，它支持这种类型的任务:

from fuzzywuzzy import process

df.assign(Output=[process.extract(i, df['Col-1'], limit=3) for i in df['Col-2']])

使用 process方法，我们可以得到字符串相似度分数，然后选择前 3 个，如果 3 个存在:

以上代码的输出:

         Col-1               Col-2                                                         Output
0       Update      have a account       [(Account, 90, 1), (AccountDTH, 64, 2), (Update, 40, 0)]
1      Account     account summary  [(Account, 90, 1), (AccountDTH, 63, 2), (Credit Card, 38, 4)]
2   AccountDTH              Cancel      [(Balance, 62, 3), (Credit Card, 43, 4), (Update, 33, 0)]
3      Balance     Balance Summary      [(Balance, 90, 3), (Credit Card, 38, 4), (Update, 30, 0)]
4  Credit Card  Update credit card   [(Update, 90, 0), (Credit Card, 90, 4), (AccountDTH, 27, 2)]

为了加快比较速度(它本身使用 Python 的序列匹配器)，我建议安装 python-Levenshtein