前言

當(dāng)然，基于排序的模糊匹配（類似于Excel的VLOOKUP函數(shù)的模糊匹配模式）也屬于模糊匹配的范疇，但那種過于簡(jiǎn)單，不是本文討論的范疇。

本文主要討論的是以公司名稱或地址為主的字符串的模糊匹配。

使用編輯距離算法進(jìn)行模糊匹配

進(jìn)行模糊匹配的基本思路就是，計(jì)算每個(gè)字符串與目標(biāo)字符串的相似度，取相似度最高的字符串作為與目標(biāo)字符串的模糊匹配結(jié)果。

對(duì)于計(jì)算字符串之間的相似度，最常見的思路便是使用編輯距離算法。

下面我們有28條名稱需要從數(shù)據(jù)庫(kù)（390條數(shù)據(jù)）中找出最相似的名稱：

import pandas as pd

excel = pd.ExcelFile("所有客戶.xlsx")
data = excel.parse(0)
find = excel.parse(1)
display(data.head())
print(data.shape)
display(find.head())
print(find.shape)

編輯距離算法，是指兩個(gè)字符串之間，由一個(gè)轉(zhuǎn)成另一個(gè)所需的最少編輯操作次數(shù)。允許的編輯操作包括將一個(gè)字符替換成另一個(gè)字符，插入一個(gè)字符，刪除一個(gè)字符。
一般來說，編輯距離越小，表示操作次數(shù)越少，兩個(gè)字符串的相似度越大。

創(chuàng)建計(jì)算編輯距離的函數(shù)：

def minDistance(word1: str, word2: str):
    '編輯距離的計(jì)算函數(shù)'
    n = len(word1)
    m = len(word2)
    # 有一個(gè)字符串為空串
    if n * m == 0:
        return n + m
    # DP 數(shù)組
    D = [[0] * (m + 1) for _ in range(n + 1)]
    # 邊界狀態(tài)初始化
    for i in range(n + 1):
        D[i][0] = i
    for j in range(m + 1):
        D[0][j] = j
    # 計(jì)算所有 DP 值
    for i in range(1, n + 1):
        for j in range(1, m + 1):
            left = D[i - 1][j] + 1
            down = D[i][j - 1] + 1
            left_down = D[i - 1][j - 1]
            if word1[i - 1] != word2[j - 1]:
                left_down += 1
            D[i][j] = min(left, down, left_down)
    return D[n][m]

關(guān)于上述代碼的解析可參考力扣題解：https://leetcode-cn.com/problems/edit-distance/solution/bian-ji-ju-chi-by-leetcode-solution/

遍歷每個(gè)被查找的名稱，計(jì)算它與數(shù)據(jù)庫(kù)所有客戶名稱的編輯距離，并取編輯距離最小的客戶名稱：

result = []
for name in find.name.values:
    a = data.user.apply(lambda user: minDistance(user, name))
    user = data.user[a.argmin()]
    result.append(user)
find["result"] = result
find

測(cè)試后發(fā)現(xiàn)部分地址的效果不佳。

我們?nèi)稳?個(gè)結(jié)果為信陽(yáng)息縣淮河路店地址看看編輯距離最小的前10個(gè)地址和編輯距離：

a = data.user.apply(lambda user: minDistance(user, '河南美銳信陽(yáng)息縣淮河路分店'))
a = a.nsmallest(10).reset_index()
a.columns = ["名稱", "編輯距離"]
a.名稱 = data.user[a.名稱].values
a

a = data.user.apply(lambda user: minDistance(user, '河南美銳信陽(yáng)潢川四中分店'))
a = a.nsmallest(10).reset_index()
a.columns = ["名稱", "編輯距離"]
a.名稱 = data.user[a.名稱].values
a

可以看到，在前十個(gè)編輯距離最小的名稱中還是存在我們想要的結(jié)果。

使用fuzzywuzzy進(jìn)行批量模糊匹配

通過上面的代碼，我們已經(jīng)基本了解了通過編輯距離算法進(jìn)行批量模糊匹配的基本原理。不過自己編寫編輯距離算法的代碼較為復(fù)雜，轉(zhuǎn)換為相似度進(jìn)行分析也比較麻煩，如果已經(jīng)有現(xiàn)成的輪子就不用自己寫了。

而fuzzywuzzy庫(kù)就是基于編輯距離算法開發(fā)的庫(kù)，而且將數(shù)值量化為相似度評(píng)分，會(huì)比我們寫的沒有針對(duì)性優(yōu)化的算法效果要好很多，可以通過pip install FuzzyWuzzy來安裝。

對(duì)于fuzzywuzzy庫(kù)，主要包含fuzz模塊和process模塊，fuzz模塊用于計(jì)算兩個(gè)字符串之間的相似度，相當(dāng)于對(duì)上面的代碼的封裝和優(yōu)化。而process模塊則可以直接提取需要的結(jié)果。

fuzz模塊

from fuzzywuzzy import fuzz

簡(jiǎn)單匹配（Ratio）:

a = data.user.apply(lambda user: fuzz.ratio(user, '河南美銳信陽(yáng)潢川四中分店'))
a = a.nlargest(10).reset_index()
a.columns = ["名稱", "相似度"]
a.名稱 = data.user[a.名稱].values
a

非完全匹配（Partial Ratio）:

a = data.user.apply(lambda user: fuzz.partial_ratio(user, '河南美銳信陽(yáng)潢川四中分店'))
a = a.nlargest(10).reset_index()
a.columns = ["名稱", "相似度"]
a.名稱 = data.user[a.名稱].values
a

顯然fuzzywuzzy庫(kù)的 ratio()函數(shù)比前面自己寫的編輯距離算法，準(zhǔn)確度高了很多。

process模塊

process模塊則是進(jìn)一步的封裝，可以直接獲取相似度最高的值和相似度：

from fuzzywuzzy import process

extract提取多條數(shù)據(jù)：

users = data.user.to_list()
a = process.extract('河南美銳信陽(yáng)潢川四中分店', users, limit=10)
a = pd.DataFrame(a, columns=["名稱", "相似度"])
a

從結(jié)果看，process模塊似乎同時(shí)綜合了fuzz模塊簡(jiǎn)單匹配（Ratio）和非完全匹配（Partial Ratio）的結(jié)果。

當(dāng)我們只需要返回一條數(shù)據(jù)時(shí)，使用extractOne會(huì)更加方便：

users = data.user.to_list()
find["result"] = find.name.apply(lambda x: process.extractOne(x, users)[0])
find

可以看到準(zhǔn)確率相對(duì)前面自寫的編輯距離算法有了大幅度提升，但個(gè)別名稱匹配結(jié)果依然不佳。

查看這兩個(gè)匹配不準(zhǔn)確的地址：

process.extract('許灣鄉(xiāng)許灣村焦艷芳衛(wèi)生室', users)

[('小寨溝村衛(wèi)生室', 51),
 ('周口城鄉(xiāng)一體化焦艷芳一體化衛(wèi)生室', 50),
 ('西華縣皮營(yíng)鄉(xiāng)樓陳村衛(wèi)生室', 42),
 ('葉縣鄧?yán)钹l(xiāng)杜楊村第二衛(wèi)生室', 40),
 ('湯陰縣瓦崗鄉(xiāng)龍虎村東衛(wèi)生室', 40)]

process.extract('河南美銳信陽(yáng)息縣淮河路分店', users)

[('信陽(yáng)息縣淮河路店', 79),
 ('河南美銳大藥房連鎖有限公司息縣淮河路分店', 67),
 ('河南美銳大藥房連鎖有限公司息縣大河文錦分店', 53),
 ('河南美銳大藥房連鎖有限公司息縣千佛庵東路分店', 51),
 ('河南美銳大藥房連鎖有限公司息縣包信分店', 50)]

對(duì)于這樣的問題，個(gè)人并沒有一個(gè)很完美的解決方案，個(gè)人建議是將相似度最高的n個(gè)名稱都加入結(jié)果列表中，后期再人工篩選：

result = find.name.apply(lambda x: next(zip(*process.extract(x, users, limit=3)))).apply(pd.Series)
result.rename(columns=lambda i: f"匹配{i+1}", inplace=True)
result = pd.concat([find.drop(columns="result"), result], axis=1)
result

雖然可能有個(gè)別正確結(jié)果這5個(gè)都不是，但整體來說為人工篩查節(jié)省了大量時(shí)間。

整體代碼

from fuzzywuzzy import process
import pandas as pd

excel = pd.ExcelFile("所有客戶.xlsx")
data = excel.parse(0)
find = excel.parse(1)
users = data.user.to_list()
result = find.name.apply(lambda x: next(
    zip(*process.extract(x, users, limit=3)))).apply(pd.Series)
result.rename(columns=lambda i: f"匹配{i+1}", inplace=True)
result = pd.concat([find, result], axis=1)
result

使用Gensim進(jìn)行批量模糊匹配

Gensim簡(jiǎn)介

Gensim支持包括TF-IDF，LSA，LDA，和word2vec在內(nèi)的多種主題模型算法，支持流式訓(xùn)練，并提供了諸如相似度計(jì)算，信息檢索等一些常用任務(wù)的API接口。

基本概念：

• 語(yǔ)料（Corpus）：一組原始文本的集合，用于無(wú)監(jiān)督地訓(xùn)練文本主題的隱層結(jié)構(gòu)。語(yǔ)料中不需要人工標(biāo)注的附加信息。在Gensim中，Corpus通常是一個(gè)可迭代的對(duì)象（比如列表）。每一次迭代返回一個(gè)可用于表達(dá)文本對(duì)象的稀疏向量。
• 向量（Vector）：由一組文本特征構(gòu)成的列表。是一段文本在Gensim中的內(nèi)部表達(dá)。
• 稀疏向量（SparseVector）：可以略去向量中多余的0元素。此時(shí)，向量中的每一個(gè)元素是一個(gè)(key, value)的元組
• 模型（Model）：是一個(gè)抽象的術(shù)語(yǔ)。定義了兩個(gè)向量空間的變換（即從文本的一種向量表達(dá)變換為另一種向量表達(dá)）。

安裝：pip install gensim

官網(wǎng)：https://radimrehurek.com/gensim/

什么情況下需要使用NLP來進(jìn)行批量模糊匹配呢？那就是數(shù)據(jù)庫(kù)數(shù)據(jù)過于龐大時(shí)，例如達(dá)到幾萬(wàn)級(jí)別：

import pandas as pd

data = pd.read_csv("所有客戶.csv", encoding="gbk")
find = pd.read_csv("被查找的客戶.csv", encoding="gbk")
display(data.head())
print(data.shape)
display(find.head())
print(find.shape)

此時(shí)如果依然用編輯距離或fuzzywuzzy暴力遍歷計(jì)算，預(yù)計(jì)1小時(shí)也無(wú)法計(jì)算出結(jié)果，但使用NLP神器Gensim僅需幾秒鐘，即可計(jì)算出結(jié)果。

使用詞袋模型直接進(jìn)行批量相似度匹配

首先，我們需要先對(duì)原始的文本進(jìn)行分詞，得到每一篇名稱的特征列表：

import jieba

data_split_word = data.user.apply(jieba.lcut)
data_split_word.head(10)

0        [珠海, 廣藥, 康鳴, 醫(yī)藥, 有限公司]
1              [深圳市, 寶安區(qū), 中心醫(yī)院]
2         [中山, 火炬, 開發(fā)區(qū), 伴康, 藥店]
3           [中山市, 同方, 醫(yī)藥, 有限公司]
4    [廣州市, 天河區(qū), 元崗金, 健民, 醫(yī)藥, 店]
5       [廣州市, 天河區(qū), 元崗居, 健堂, 藥房]
6          [廣州市, 天河區(qū), 元崗潤(rùn)佰, 藥店]
7        [廣州市, 天河區(qū), 元崗, 協(xié)心, 藥房]
8        [廣州市, 天河區(qū), 元崗, 心怡, 藥店]
9         [廣州市, 天河區(qū), 元崗永亨堂, 藥店]
Name: user, dtype: object

接下來，建立語(yǔ)料特征的索引字典，并將文本特征的原始表達(dá)轉(zhuǎn)化成詞袋模型對(duì)應(yīng)的稀疏向量的表達(dá)：

from gensim import corpora

dictionary = corpora.Dictionary(data_split_word.values)
data_corpus = data_split_word.apply(dictionary.doc2bow)
data_corpus.head()

0             [(0, 1), (1, 1), (2, 1), (3, 1), (4, 1)]
1                             [(5, 1), (6, 1), (7, 1)]
2          [(8, 1), (9, 1), (10, 1), (11, 1), (12, 1)]
3                   [(0, 1), (3, 1), (13, 1), (14, 1)]
4    [(0, 1), (15, 1), (16, 1), (17, 1), (18, 1), (...
Name: user, dtype: object

這樣得到了每一個(gè)名稱對(duì)應(yīng)的稀疏向量（這里是bow向量），向量的每一個(gè)元素代表了一個(gè)詞在這個(gè)名稱中出現(xiàn)的次數(shù)。

至此我們就可以構(gòu)建相似度矩陣：

from gensim import similarities

index = similarities.SparseMatrixSimilarity(data_corpus.values, num_features=len(dictionary))

再對(duì)被查找的名稱作相同的處理，即可進(jìn)行相似度批量匹配：

find_corpus = find.name.apply(jieba.lcut).apply(dictionary.doc2bow)
sim = index[find_corpus]
find["result"] = data.user[sim.argmax(axis=1)].values
find.head(30)

可以看到該模型計(jì)算速度非?？欤瑴?zhǔn)確率似乎整體上比f(wàn)uzzywuzzy更高，但fuzzywuzzy對(duì)河南美銳大藥房連鎖有限公司308廠分店的匹配結(jié)果是正確的。

使用TF-IDF主題向量變換后進(jìn)行批量相似度匹配

之前我們使用的Corpus都是詞頻向量的稀疏矩陣，現(xiàn)在將其轉(zhuǎn)換為TF-IDF模型后再構(gòu)建相似度矩陣：

from gensim import models

tfidf = models.TfidfModel(data_corpus.to_list())
index = similarities.SparseMatrixSimilarity(
    tfidf[data_corpus], num_features=len(dictionary))

被查找的名稱也作相同的處理：

sim = index[tfidf[find_corpus]]
find["result"] = data.user[sim.argmax(axis=1)].values
find.head(30)

可以看到許灣鄉(xiāng)許灣村焦艷芳衛(wèi)生室匹配正確了，但河南美銳信陽(yáng)息縣淮河路分店又匹配錯(cuò)誤了，這是因?yàn)樵赥F-IDF模型中，由于美銳在很多條數(shù)據(jù)中都出現(xiàn)被降權(quán)。

假如只對(duì)數(shù)據(jù)庫(kù)做TF-IDF轉(zhuǎn)換，被查找的名稱只使用詞頻向量，匹配效果又如何呢？

from gensim import models

tfidf = models.TfidfModel(data_corpus.to_list())
index = similarities.SparseMatrixSimilarity(
    tfidf[data_corpus], num_features=len(dictionary))
sim = index[find_corpus]
find["result"] = data.user[sim.argmax(axis=1)].values
find.head(30)

可以看到除了數(shù)據(jù)庫(kù)本來不包含正確名稱的愛聯(lián)寶之林大藥房外還剩下河南美銳大藥房連鎖有限公司308廠分店匹配不正確。這是因?yàn)椴荒茏R(shí)別出308的語(yǔ)義等于三零八。如果這類數(shù)據(jù)較多，我們可以先將被查找的數(shù)據(jù)統(tǒng)一由小寫數(shù)字轉(zhuǎn)換為大寫數(shù)字（保持與數(shù)據(jù)庫(kù)一致）后，再分詞處理：

trantab = str.maketrans("0123456789", "零一二三四五六七八九")
find_corpus = find.name.apply(lambda x: dictionary.doc2bow(jieba.lcut(x.translate(trantab))))

sim = index[find_corpus]
find["result"] = data.user[sim.argmax(axis=1)].values
find.head(30)

經(jīng)過這樣處理后，308廠分店也被正確匹配上了，其他類似的問題都可以使用該思路進(jìn)行轉(zhuǎn)換。

雖然經(jīng)過上面的處理，匹配準(zhǔn)確率幾乎達(dá)到100%，但不代表其他類型的數(shù)據(jù)也會(huì)有如此高的準(zhǔn)確率，還需根據(jù)數(shù)據(jù)的情況具體去分析轉(zhuǎn)換。并沒有一個(gè)很完美的批量模糊匹配的處理辦法，對(duì)于這類問題，我們不能完全信任程序匹配的結(jié)果，都需要人工的二次檢查，除非能夠接受一定的錯(cuò)誤率。

為了我們?nèi)斯ずY選的方便，我們可以將前N個(gè)相似度最高的數(shù)據(jù)都保存到結(jié)果中，這里我們以三個(gè)為例：

同時(shí)獲取最大的3個(gè)結(jié)果

下面我們將相似度最高的3個(gè)值都添加到結(jié)果中：

result = []
for corpus in find_corpus.values:
    sim = pd.Series(index[corpus])
    result.append(data.user[sim.nlargest(3).index].values)
result = pd.DataFrame(result)
result.rename(columns=lambda i: f"匹配{i+1}", inplace=True)
result = pd.concat([find.drop(columns="result"), result], axis=1)
result.head(30)

完整代碼

from gensim import corpora, similarities, models
import jieba
import pandas as pd

data = pd.read_csv("所有客戶.csv", encoding="gbk")
find = pd.read_csv("被查找的客戶.csv", encoding="gbk")

data_split_word = data.user.apply(jieba.lcut)
dictionary = corpora.Dictionary(data_split_word.values)
data_corpus = data_split_word.apply(dictionary.doc2bow)
trantab = str.maketrans("0123456789", "零一二三四五六七八九")
find_corpus = find.name.apply(
    lambda x: dictionary.doc2bow(jieba.lcut(x.translate(trantab))))

tfidf = models.TfidfModel(data_corpus.to_list())
index = similarities.SparseMatrixSimilarity(
    tfidf[data_corpus], num_features=len(dictionary))

result = []
for corpus in find_corpus.values:
    sim = pd.Series(index[corpus])
    result.append(data.user[sim.nlargest(3).index].values)
result = pd.DataFrame(result)
result.rename(columns=lambda i: f"匹配{i+1}", inplace=True)
result = pd.concat([find, result], axis=1)
result.head(30)

總結(jié)

本文首先分享了編輯距離的概念，以及如何使用編輯距離進(jìn)行相似度模糊匹配。然后介紹了基于該算法的輪子fuzzwuzzy，封裝的較好，使用起來也很方便，但是當(dāng)數(shù)據(jù)庫(kù)量級(jí)達(dá)到萬(wàn)條以上時(shí)，效率極度下降，特別是數(shù)據(jù)量達(dá)到10萬(wàn)級(jí)別以上時(shí)，跑一整天也出不了結(jié)果。于是通過Gensim計(jì)算分詞后對(duì)應(yīng)的tf-idf向量來計(jì)算相似度，計(jì)算時(shí)間由幾小時(shí)降低到幾秒，而且準(zhǔn)確率也有了較大提升，能應(yīng)對(duì)大部分批量相似度模糊匹配問題。

到此這篇關(guān)于Python批量模糊匹配的3種方法的文章就介紹到這了,更多相關(guān)Python批量模糊匹配內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！