通过 Python 中的模糊字符串匹配匹配 2 个大型 csv 文件

Question

我正在尝试将大约 600,000 个个人姓名（全名）与另一个拥有超过 8700 万个观察结果的数据库（全名）进行匹配！

我第一次尝试 fuzzywuzzy 库太慢了，所以我决定使用速度更快的模块 fuzzyset。假设我有一台功能强大的计算机可以将所有数据集加载到内存中，我将使用包含 964 个观测值的测试文件与 50,000 个观测值进行匹配来执行以下操作：

import time
from cfuzzyset import cFuzzySet as FuzzySet

df1=pd.read_csv(file1,delimiter='|') # test file with 964 observations
df2=pd.read_csv(file2,delimiter='|') # test file with 50,000 observations to be matched against

a=FuzzySet() # allocate the FuzzySet object
for row in file2['name']:
   a.add(str(row)) # Fill the FuzzySet object with all names from file2

start_time = time.time() # Start recording the time

dicto={'index':[],'name':[]} # Dictionary where I store the output

for names in file1['f_ofulln']:
    dicto['index'].append(a.get(names)[0][0])
    dicto['name'].append(a.get(names)[0][1])

print("--- %s seconds ---" % (time.time() - start_time))   

>>> --- 39.68284249305725 seconds ---

使用更小的数据集（964 个观测值与 50,000 个观测值匹配），时间为 39 秒。

但是，如果我想在整个数据集上执行此方法，这太慢了。

有人知道如何提高运行时间吗？我认为 Cython 是不可能的，因为我已经在导入 Cython 版本的 fuzzyset 模块

非常感谢，

阿德里安

Answer 1

所以我要回答我自己的问题，因为我找到了一种非常快的方法。

我使用 panda.HDFStore 和 panda.to_hdf 方法以 HDF5 格式保存了两个数据库。 我将姓氏的每个第一个字母保存到一个数据框中。 然后，我创建了一个基于 python-Levenshtein 模块查找最接近匹配的函数（非常快，因为它是用 C 编程的）。

最后，我一次发送了 26 个批处理作业，每个姓氏的字母一个。这意味着我只匹配姓氏首字母相同的人。

请注意，我还编写了函数来查找与出生年份最接近的匹配，相差不超过 1 年。

编辑：由于有人要求，我在下面提供了我的功能摘要。合并两个dataframe的main函数太长了，不好意思贴在这里。

# Needed imports:
from Levenshtein import *
import pandas as pd

# Function that get the closest match of a word in a big list:

def get_closest_match(x, list_strings,fun):
    # fun: the matching method : ratio, wrinkler, ... (cf python-Levenshtein module)
    best_match = None
    highest_ratio = 0
    for current_string in list_strings.values.tolist():
        if highest_ratio!=1:
            current_score = fun(x, current_string)
            if(current_score > highest_ratio):
                highest_ratio = current_score
                best_match = current_string
    return (best_match,highest_ratio)

# the function that matches 2 dataframes (only the idea behind, since too long to write everything
dicto={'Index':[],'score':[], ...} 
def LevRatioMerge(df1,df2,fun,colname,required=[],approx=[],eps=[]):
    # Basically loop over df1 with:
    for name in df1.itertuples():
        result=get_closest_match(name[YourColnumber],df2[YourColname],fun)
        dicto['score'].append(result[1])
        dicto['Index'].append(name[0])
        ...

这就是想法。希望它对你的工作有足够的启发。