对于一般方法: fuzzy_merge
对于更一般的情况,我们想要合并两个包含略微不同字符串的数据框中的列,以下函数使用 difflib.get_close_matches
和 merge
来模仿 pandas 的功能 merge
,但具有模糊匹配:
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
以下是两个示例数据框的一些用例:
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
通过上面的例子,我们可以得到:
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
我们可以使用以下方法进行左连接:
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
对于右连接,我们将左数据框中所有不匹配的键都设置为 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
还要注意, difflib.get_close_matches
difflib.get_close_matches 将返回一个空列表 df2
为:
print(df2)
letter
one a
too b
three c
fours d
a very different string e
我们会收到一个 index out of range
错误:
df2.index.map(lambda x: difflib.get_close_matches(x, df1.index)[0])
IndexError:列表索引超出范围
为了解决这个问题,上述函数 get_closest_match
将通过索引返回的列表( difflib.get_close_matches
只有当 它实际包含任何匹配时)返回最接近的匹配。