python - 用于在 Python 中匹配具有相似 ID 字符串的两个集合的分类器

Question

我有 2 组数据，它们具有共同的特征集但 ID 名称的标签不同。

我想看看是否有一个最佳分类器可以帮助我根据这些特征选择哪些名称匹配是最佳选择。

设置 1 如下所示:

Name         ID1           code1          move1        year
Highland     1             nc             st           2002
Highland     4             nc             st           2001
Highland     gt3           nc             st           2002
Highland     gt2           nc             st           2003
Mark         wt1           ns             st           2000
Mark         ws1           ns             st           1945
Mark         ost6          nc             ct           2002
Niko         1             ng             ct           2000
.
.

第 2 组 看起来像:

Name         ID2           code2          move2        year
Highland     gt1           nc             st           2002
Highland     gt3           nc             st           
Highland     2             nc             st           2003
Highland     gt4           nc             st           2001
Mark         t1            ns             st           2000
Mark         s1            nsi            st           
Mark         ost6          nci            ct           2002
Niko         1             ngi            ct           2000
.
.

如您所见，两组中存在一些差异，但 Name 始终相同 - ID 有时几乎匹配，有时完全匹配。其他时候，codes 或 moves 匹配或接近，有时只是缺少一组年份。

我已经为这些 ID 计算了 模糊比率，它使用 Levenshtein 距离，但它们不足以让我真正做出很好的匹配。

有没有一种方法可以使用 SVM 之类的工具更好地识别这些 ID？

Answer 1

尝试使用 fuzz.token_set_ratio() 而不是 fuzzy.ration()。使用 fuzz.token_set_ratio() 你会得到一个很好的匹配。

欲了解更多信息，请访问 docs .