python - 在记录链接库中检索匹配的记录 ID

Question

我正在尝试这个例子:https://recordlinkage.readthedocs.io/en/latest/notebooks/data_deduplication.html

以下是代码片段:

import recordlinkage
from recordlinkage.datasets import load_febrl1

dfA = load_febrl1()

# Indexation step
indexer = recordlinkage.Index()
indexer.block(left_on='given_name')
candidate_links = indexer.index(dfA)

compare_cl = recordlinkage.Compare()

compare_cl.exact('given_name', 'given_name', label='given_name')
compare_cl.string('surname', 'surname', method='jarowinkler', threshold=0.85, label='surname')
compare_cl.exact('date_of_birth', 'date_of_birth', label='date_of_birth')
compare_cl.exact('suburb', 'suburb', label='suburb')
compare_cl.exact('state', 'state', label='state')
compare_cl.string('address_1', 'address_1', threshold=0.85, 
label='address_1')

features = compare_cl.compute(candidate_links, dfA)
matches = features[features.sum(axis=1) > 3]
print(len(matches))

我现在想单独打印已匹配的 record_ids。我尝试列出“匹配项”的列名，但 record_id 不是其中的一部分，我似乎无法找到一种方法来获取完成了(我只想要单独的 record_ids)

有没有办法检索 record_ids，并可能单独打印或将其存储为列表或数组？

Answer 1

不要忘记 Pandas 数据框除了其数据列外还有一个“索引”。通常这是整数或字符串的单个“额外”列，但更复杂的索引是可能的，例如由多列组成的“多索引”。

如果你 print(matches.head()) 你可以看到这个。前两列的名称略有偏移，因为它们不是数据列；它们是索引本身的列。这个数据帧索引实际上是一个包含两列的多索引:rec_id_1 和 rec_id_2。

load_febrl 的结果将记录 ID 编码为 dfA 的索引。 Compare.compute 保留输入数据的索引:您始终可以期望原始数据的索引被保存为多索引。

可以使用 DataFrame.index 属性访问数据框本身的索引。这将返回 Index object (其中 MultiIndex is a subclass )又可以按如下方式转换:

• Index.tolist():将其元素转换为list； MultiIndex 成为 tuple
的 list
• Index.to_series():将其元素转换为Series； MultiIndex 变成 Series 的 tuple
• Index.values:以 NumPy ndarray 的形式访问底层数据； MultiIndex 成为 tuple 的 ndarray。
• Index.to_frame():转换为DataFrame，索引列作为数据框列

因此您可以使用 matches.index 快速访问记录 ID，或使用 matches.tolist() 将它们导出到列表。

您还可以使用 matches.reset_index() 将索引列变回常规数据列。