Для загального підходу: fuzzy_merge
Для більш загального сценарію, в якому ми хочемо об'єднати стовпці з двох кадрів даних, які містять дещо різні рядки, наступна функція використовує difflib.get_close_matchesпоряд з merge, щоб імітувати функціональність pandas ', mergeале з нечіткими відповідностями:
import difflib
def fuzzy_merge(df1, df2, left_on, right_on, how='inner', cutoff=0.6):
df_other= df2.copy()
df_other[left_on] = [get_closest_match(x, df1[left_on], cutoff)
for x in df_other[right_on]]
return df1.merge(df_other, on=left_on, how=how)
def get_closest_match(x, other, cutoff):
matches = difflib.get_close_matches(x, other, cutoff=cutoff)
return matches[0] if matches else None
Ось кілька випадків використання з двома зразками кадрів даних:
print(df1)
key number
0 one 1
1 two 2
2 three 3
3 four 4
4 five 5
print(df2)
key_close letter
0 three c
1 one a
2 too b
3 fours d
4 a very different string e
У наведеному вище прикладі ми отримаємо:
fuzzy_merge(df1, df2, left_on='key', right_on='key_close')
key number key_close letter
0 one 1 one a
1 two 2 too b
2 three 3 three c
3 four 4 fours d
І ми могли б зробити ліве приєднання з:
fuzzy_merge(df1, df2, left_on='key', right_on='key_close', how='left')
key number key_close letter
0 one 1 one a
1 two 2 too b
2 three 3 three c
3 four 4 fours d
4 five 5 NaN NaN
Для лівого приєднання ми мали б усі невідповідні ключі в лівому фреймі даних, щоб None:
fuzzy_merge(df1, df2, left_on='key', right_on='key_close', how='right')
key number key_close letter
0 one 1.0 one a
1 two 2.0 too b
2 three 3.0 three c
3 four 4.0 fours d
4 None NaN a very different string e
Також зверніть увагу, що поверне порожній список, якщо в межах відсікання не знайдено жодного елемента. У загальному прикладі, якщо ми змінимо останній індекс, щоб сказати:difflib.get_close_matches df2
print(df2)
letter
one a
too b
three c
fours d
a very different string e
Ми отримаємо index out of rangeпомилку:
df2.index.map(lambda x: difflib.get_close_matches(x, df1.index)[0])
IndexError: індекс списку виходить за межі діапазону
Для того, щоб вирішити цю проблему, вищевказана функція get_closest_matchповерне найближче збіг шляхом індексації списку, що повертається, difflib.get_close_matches лише якщо він насправді містить будь-які збіги.