仅对同一组内的值进行模糊匹配

Question

我被这个问题困住了，应该有一个简单的解决方案，但我找不到它。

我有两个数据框：

dfA

Company	Country Code
CompanyA	IT
CompanyB	DE
CompanyC	DE
CompanyD	SE

dfB

Company	Country Code
Company A	IT
Company B	DE
Company C	DE
Company D	SE

Dataframe B 包含公司名称的正确拼写，因此我尝试使用fuzzywuzzy 库进行匹配。到目前为止，我得到了很好的相似度分数，但我想通过仅比较具有相同国家代码的公司来进一步提高它们。

这是我目前一直在运行的代码：

import pandas as pd
from fuzzywuzzy import process, fuzz

actual_name = []
similarity = []

for i in dfA["Company"]:
        ratio = process.extract( i, dfB["Company"], limit=1)
        actual_name.append(ratio[0][0])
        similarity.append(ratio[0][1])
        
dfA['actual_name'] = pd.Series(actual_name)
dfA['similarity'] = pd.Series(similarity)

如何改进我的代码，以便仅当 i dfA["Country Code"] == dfB["Country Code"] 时才比较公司名称？

Answer 1

建立一个限制性列表来应用该流程。使用extractOne(...) 而不是extract(...)[0] 只能得到一个值。

dfA['Company List'] = pd.merge(dfA, dfB, on='Country Code', how='left') \
                        .groupby('Company_x')['Company_y'] \
                        .apply(list).values

dfA[['actual_name', 'similarity']] = \
    dfA.apply(lambda x: process.extractOne(x['Company'],
                                           x['Company List']), axis=1) \
       .apply(pd.Series)

输出

>>> dfA
    Company Country Code            Company List actual_name  similarity
0  CompanyA           IT             [Company A]   Company A          94
1  CompanyB           DE  [Company B, Company C]   Company B          94
2  CompanyC           DE  [Company B, Company C]   Company C          94
3  CompanyD           SE             [Company D]   Company D          94