列表性能中的Python模糊匹配字符串

Posted 2023-02-22

【中文标题】列表性能中的Python模糊匹配字符串

【英文标题】：Python Fuzzy matching strings in list performance

【发布时间】：2019-09-26 04:36:15

【问题描述】：

我正在检查 4 个相同的数据框列中是否有相似的结果（模糊匹配），我有以下代码作为示例。当我将它应用到真正的 40.000 行 x 4 列数据集时，它会一直在 eternum 中运行。问题是代码太慢了。例如，如果我将数据集限制为 10 个用户，计算需要 8 分钟，而计算需要 20、19 分钟。有什么我想念的吗？我不知道为什么要花那么长时间。我希望在 2 小时或更短的时间内获得所有结果。任何提示或帮助将不胜感激。

from fuzzywuzzy import process
dataframecolumn = ["apple","tb"]
compare = ["adfad","apple","asple","tab"]
Ratios = [process.extract(x,compare) for x in dataframecolumn]
result = list()
for ratio in Ratios:
    for match in ratio:
        if match[1] != 100:
            result.append(match)
            break
print (result) 

输出： [('asple', 80), ('tab', 80)]

【问题讨论】：

尝试自己实现 Levenshtein Distance 并查看执行时间之间的差异。也许您正在使用的库在时间效率方面存在问题

@CristianIacob 我正在使用fuzzywuzzy

我过去已经解决了这个问题，但在这里需要更多信息。您是否正在使用比率或部分比率或两者来寻找字符串相似性？您是否使用提取功能只是为了加快处理速度？

@Atendra 使用比率（不是部分），我使用提取函数来加快速度，是的。只要我能达到预期的结果，我对任何新代码都持开放态度。

我希望下面的答案能解决你的问题。

【参考方案1】：

通过编写矢量化操作和避免循环来显着提高速度

导入必要的包

from fuzzywuzzy import fuzz
import pandas as pd
import numpy as np

从第一个列表创建数据框

dataframecolumn = pd.DataFrame(["apple","tb"])
dataframecolumn.columns = ['Match']

从第二个列表创建数据框

compare = pd.DataFrame(["adfad","apple","asple","tab"])
compare.columns = ['compare']

Merge - 通过引入键（自连接）的笛卡尔积

dataframecolumn['Key'] = 1
compare['Key'] = 1
combined_dataframe = dataframecolumn.merge(compare,on="Key",how="left")
combined_dataframe = combined_dataframe[~(combined_dataframe.Match==combined_dataframe.compare)]

矢量化

def partial_match(x,y):
    return(fuzz.ratio(x,y))
partial_match_vector = np.vectorize(partial_match)

使用矢量化并通过将阈值设置为分数来获得所需的结果

combined_dataframe['score']=partial_match_vector(combined_dataframe['Match'],combined_dataframe['compare'])
combined_dataframe = combined_dataframe[combined_dataframe.score>=80]

结果

+--------+-----+--------+------+
| Match  | Key | compare | score
+--------+-----+--------+------+
| apple  | 1   |   asple |    80
|  tb    | 1   |   tab   |    80
+--------+-----+--------+------+

【讨论】：

执行你的脚本，结果和你给的不一样。它返回Match Key compare score 1 apple 1 apple 100

忘记包含否定。现在更正了。试着让我知道。它现在提供相同的输出。

这不适用于非常大的数据集。我在一列中有 50,000 个字符串，可以与另一列 400,000 个字符串进行比较。将这些与您的代码合并时有一个Memoryerror Merge - Cartesian product by introducing key(self join)

@SCool 由于数据比较适中，组合的数量会显着增加。您可以通过一些过滤器或逻辑来减少这些组合吗？您真的需要将所有 50 K 字符串与 4 个 Lac 字符串匹配吗？如果是，您将需要更多 RAM。

非常有用，谢谢！补充一下，我必须对我的数据尝试不同的模糊方法，token_set_ratio 效果最好。 towardsdatascience.com/…