2个熊猫数据框列之间的矢量化/矩阵计算

Question

我正在使用 difflib 比率来计算 2 个字符串之间的相似度：

ratio = difflib.SequenceMatcher(None, 'string1', 'string2').ratio()

输出是一个从 0 到 1 的浮点值，可以解释为匹配分数。

我要做的是创建一个列，其中包含基于max(ratio) 的值与其他值列表之间的最佳匹配。

如果：

df.col1 = 'maria','fred','john'

和：

df2.col1 = 'mary','orange','maria'

df.bestmatch 将包含基于df2.col1 值的'maria', 'fred' and 'john' 的最佳匹配。

我觉得使用.apply 方法可以做到这一点，但我只是不知道如何计算df.col1 中的每个值与df2.col1 的比较。

更新：difflib.get_close_matches 方法能够更好地处理大型数组，并且给了我想要的一切，除了比率分数（没什么大不了的）。下面汤姆的回答适用于较小的数据集，但当每列约为 19,000 个值时会出现 MemoryError。

Answer 1

根据您的评论编辑：

In [164]: df = pd.DataFrame({'col1': ['maria','fred','john'], 'col2': ['mary','orange','maria']})

制作所有组合（玛丽亚，玛丽），（玛丽亚，橙色），（玛丽亚，玛丽亚），（弗雷德......）

In [165]: combos = itertools.product(df.col1, df.col2)

combos 将是一个像('maria', 'mary') ..., 9 这样的元组的平面列表。由于我们需要每个名称的最佳匹配，我们需要按来自col1 的名称对元组进行分组。

In [166]: groups = [list(g) for k, g in itertools.groupby(combos, lambda x: x[0])]

现在我们有一个包含三个列表的列表：[[('maria', 'mary'), ('maria', 'orange'), ('maria', 'maria')], [...]]。 groupby 的第二个参数是分解组的键。查看itertools docs。

In [167]: groups
Out[167]: 
[[('maria', 'mary'), ('maria', 'orange'), ('maria', 'maria')],
 [('fred', 'mary'), ('fred', 'orange'), ('fred', 'maria')],
 [('john', 'mary'), ('john', 'orange'), ('john', 'maria')]]

定义一个辅助函数：

def get_best(group):
    k = group[0][0]
    ratios = {x[1]: difflib.SequenceMatcher(None, *x).ratio() for x in group}
    winner = max(ratios.iteritems(), key=lambda x: x[1])
    return winner[1] # mess with this to return original name, mathcihng name, ratio

这是您将应用于groups 中每个列表的函数。就像我们之前将货币对交给SequenceMatcher 以获得比率一样。只是现在我们需要保留这个名字。所以在那个函数中x 是一个像('maria', 'mary') 这样的元组。我们需要知道最佳匹配中的名称和最佳匹配的比例，所以我将它们放入带有{name: ratio} 的字典中。这里的另一件事是max 接受第二个参数。这次只是说最大化的东西是x[1]，比率。

并获得最佳匹配：

In [173]: best = [get_best(group) for group in groups]

In [175]: df['best_match'] = best

In [176]: df
Out[176]: 
    col1    col2 best_match
0  maria    mary      maria
1   fred  orange     orange
2   john   maria     orange

[3 rows x 3 columns]

这应该是相当有效的。