使用 FuzzyWuzzy 和 Pandas 进行字符串匹配时出现 TypeError

Question

在 Python 3 中使用 FuzzyWuzzy 库时出现错误。我正在使用 Pandas 库处理 CSV 文件。

我的 CSV 文件中有以下数据：

> BBL          CorporationName               CorporationName2
  1            123 Elm St LLC                123 Elm St LLC    
  2            ABC Realty, INC               ABC Realty, INC     
  3            123 Elm Street, LLC           123 Elm Street, LLC 
  4            ABC Realty Incorporated       ABC Realty Incorporated        

CorporationName 和 CorporationName2 列实际上是相同的。它们每个都包含房地产相关企业的名称。这些企业的这些名称在每一列中出现多次，但正如您所见，它们有时以略有不同的表现形式出现。

我的目标是获取 CorporationName 中的每个字符串，并将其与 CorporationName2 中的所有字符串进行比较。然后我希望 FuzzyWuzzy 从 CorporationName2 返回 5 个最相关的字符串（即该名称的可能变体）。这只是我所经历的大规模字符串匹配任务的第一步。

> import pandas as pd
  from fuzzywuzzy import process
  from fuzzywuzzy import fuzz 
  import csv

  df = pd.read_csv('yescorp_fuzz.csv')
  test_list = df.CorporationName
  test_list1 = df.CorporationName1


  def ownermatch():
   for i in test_list:
     result = process.extract(i,test_list1, limit=5)
     print(result)


   ownermatch()

这是回溯错误：

Traceback (most recent call last):
  File "C:/Python34/YesCorpFuzzy4_15.py", line 17, in <module>
    ownermatch()
  File "C:/Python34/YesCorpFuzzy4_15.py", line 13, in ownermatch
    result = process.extract(i,test_list1, limit=5)
  File "C:\Python34\lib\site-packages\fuzzywuzzy\process.py", line 103, in extract
    processed = processor(choice)
  File "C:\Python34\lib\site-packages\fuzzywuzzy\utils.py", line 84, in full_process
    string_out = StringProcessor.replace_non_letters_non_numbers_with_whitespace(s)
  File "C:\Python34\lib\site-packages\fuzzywuzzy\string_processing.py", line 25, in replace_non_letters_non_numbers_with_whitespace
    return cls.regex.sub(u" ", a_string)
TypeError: expected string or buffer
>>> 

老实说，我不确定这里发生了什么。我在互联网上也找不到太多。

如果您能提供任何帮助，我们将不胜感激。

谢谢！

Answer 1

我认为您遇到的情况是，其中一个数据框列中有空值或某些非字符串数据类型。 FuzzyWuzzy 需要一个字符串，当它遇到NaN 或另一个非字符串时，它会抛出错误。您可以通过用另一列的值填充 NaN 来摆脱这种情况：

df.CorporationName.fillna(df.CorporationName1, inplace = True)
df.CorporationName1.fillna(df.CorporationName, inplace = True)

或者转换非字符串：

df.loc[:, 'CorporationName'] = df.CorporationName.astype(str)