我正在处理记录链接问题并应用无监督算法，因为我没有外部标签。
我应用了 ECM 算法。使用的代码是:
import recordlinkage
indexer = recordlinkage.BlockIndex(on=['FirstName_CD','LastName_CD'])
pairs = indexer.index(data1, data2)
compare_cl = recordlinkage.Compare()
compare_cl.string('FirstName_CD', 'FirstName_CD', method='jarowinkler', threshold=0.50,label='given_name')
compare_cl.string('LastName_CD', 'LastName_CD', method='jarowinkler', threshold=0.50, label='surname')
compare_cl.exact('Date.Of.Birth_CD', 'Date.Of.Birth_CD', label='date_of_birth')
compare_cl.exact('Gender_CD', 'Gender_CD', label='gender')
compare_cl.exact('Profession_CD', 'Profession_CD', label='profession')
compare_cl.string('Address_CD', 'Address_CD', threshold=0.85, label='address_1')
features = compare_cl.compute(pairs,data1)
ecm = recordlinkage.ECMClassifier()
result_ecm=ecm.learn(features)
现在它返回一个多索引。我的问题是我可以从中得出什么推论？如何获取匹配/不匹配信息？
最佳答案
ecm.learn() 返回的 MultiIndex 基本上是一组索引对，它们是分类器对哪些项目匹配的猜测。 (请注意，ecm.learn() 已弃用。新函数名称为 ecm.fit_predict()。)
我不知道你的数据是什么样的，但这里有一个样本数据集的例子:
from recordlinkage.datasets import load_febrl4
dfA, dfB = load_febrl4()
# Indexation step
indexer = recordlinkage.Index()
indexer.block('given_name')
candidate_links = indexer.index(dfA, dfB)
# Comparison step
compare_cl = recordlinkage.Compare()
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, dfB)
ecm = recordlinkage.ECMClassifier()
matches = ecm.fit_predict(features)
(请注意，此示例基于 here 文档中的示例。)
matches 对象确实是一个 Pandas MultiIndex。我们可以将它转换为元组列表，以便更好地了解它包含的信息。
# Look at the first 5 matches
list(matches)[:5]
[('rec-2371-org', 'rec-2371-dup-0'),
('rec-3024-org', 'rec-3024-dup-0'),
('rec-4652-org', 'rec-4652-dup-0'),
('rec-4795-org', 'rec-4795-dup-0'),
('rec-1016-org', 'rec-1016-dup-0')]
这些是 dfA 和 dfB 数据框中的索引名称。我们可以查找它们以了解它们实际上是匹配的:
dfA.loc['rec-2371-org'], dfB.loc['rec-2371-dup-0']
given_name michaela
surname dunstone
street_number 37
address_1 deane street
address_2 rosedown
suburb woodcroft
postcode 2065
state vic
date_of_birth 19121018
soc_sec_id 3166178
Name: rec-2371-org, dtype: object
given_name michaela
surname dunstone
street_number 37
address_1 deane street
address_2 rosedlwn
suburb woodcroft
postcode 2065
state vic
date_of_birth 19121018
soc_sec_id 3166178
Name: rec-2371-dup-0, dtype: object
关于python - 在 python 中使用 ECM 记录链接，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/50508739/