我正在尝试这个例子:https://recordlinkage.readthedocs.io/en/latest/notebooks/data_deduplication.html
以下是代码片段:
import recordlinkage
from recordlinkage.datasets import load_febrl1
dfA = load_febrl1()
# Indexation step
indexer = recordlinkage.Index()
indexer.block(left_on='given_name')
candidate_links = indexer.index(dfA)
compare_cl = recordlinkage.Compare()
compare_cl.exact('given_name', 'given_name', label='given_name')
compare_cl.string('surname', 'surname', method='jarowinkler', threshold=0.85, label='surname')
compare_cl.exact('date_of_birth', 'date_of_birth', label='date_of_birth')
compare_cl.exact('suburb', 'suburb', label='suburb')
compare_cl.exact('state', 'state', label='state')
compare_cl.string('address_1', 'address_1', threshold=0.85,
label='address_1')
features = compare_cl.compute(candidate_links, dfA)
matches = features[features.sum(axis=1) > 3]
print(len(matches))
我现在想单独打印已匹配的record_id。我尝试列出“matches”的列名,但record_id不是其中的一部分,而且我似乎无法找到一种方法来获取完成了(我只想要单独的 record_ids)
有没有办法检索 record_ids,并且可以单独打印它或将其存储为列表或数组?
最佳答案
不要忘记 Pandas 数据框除了数据列之外还有一个“索引”。通常这是整数或字符串的单个“额外”列,但更复杂的索引是可能的,例如由多个列组成的“多索引”。
如果您print(matches.head())
,您就可以看到这一点。前两列的名称略有偏移,因为它们不是数据列;它们是索引本身中的列。该数据帧索引实际上是一个包含两列的多重索引:rec_id_1
和 rec_id_2
。
load_febrl
的结果将记录 ID 编码为 dfA
的索引。 Compare.compute
保留输入数据的索引:您始终可以期望原始数据中的索引被保留为多索引。
可以使用DataFrame.index
属性访问数据帧本身的索引。这将返回 Index
object (其中 MultiIndex
is a subclass )可以依次转换如下:
Index.tolist()
:转换为其元素的列表
;MultiIndex
成为tuple
的list
Index.to_series()
:转换为其元素的Series
;MultiIndex
成为tuple
的Series
Index.values
:以 NumPyndarray
形式访问底层数据;MultiIndex
成为tuple
的ndarray
。Index.to_frame()
:转换为DataFrame
,其中索引列作为数据帧列
因此,您可以使用 matches.index
快速访问记录 ID,或使用 matches.tolist()
将它们导出到列表。
您还可以使用 matches.reset_index()
将索引列转回常规数据列。
关于python - 在 recordlinkage 库中检索匹配的记录 ID,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52393227/