Für einen allgemeinen Ansatz: fuzzy_merge
Für ein allgemeineres Szenario, in dem Spalten aus zwei Datenrahmen zusammengeführt werden sollen, die leicht unterschiedliche Zeichenfolgen enthalten, wird die folgende Funktion difflib.get_close_matches
zusammen mit merge
verwendet, um die Funktionalität von Pandas nachzuahmen, merge
jedoch mit Fuzzy-Matching:
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
Hier sind einige Anwendungsfälle mit zwei Beispieldatenrahmen:
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
Mit dem obigen Beispiel würden wir erhalten:
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
Und wir könnten einen Linken machen mit:
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
Für einen linken Join hätten wir alle nicht übereinstimmenden Schlüssel im linken Datenrahmen, um 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
Beachten Sie auch, dass eine leere Liste zurückgegeben wird, wenn innerhalb des Cutoffs kein Element übereinstimmt. Wenn wir im gemeinsamen Beispiel den letzten Index ändern, um zu sagen:difflib.get_close_matches
df2
print(df2)
letter
one a
too b
three c
fours d
a very different string e
Wir würden eine index out of range
Fehlermeldung erhalten:
df2.index.map(lambda x: difflib.get_close_matches(x, df1.index)[0])
IndexError: Listenindex außerhalb des Bereichs
Um dies zu lösen, gibt die obige Funktion get_closest_match
die engste Übereinstimmung zurück, indem sie die zurückgegebene Liste difflib.get_close_matches
nur indiziert, wenn sie tatsächlich Übereinstimmungen enthält.