文字列の比較

Pythonで学ぶデータクリーニング

Adel Nehme

VP of AI Curriculum, DataCamp

この章について

第4章 - レコードリンケージ

最小編集距離

一方の文字列から他方へ最小の手順で変換

最小編集距離

一方の文字列から他方へ最小の手順で変換

最小編集距離

ここまでの最小編集距離: 2

最小編集距離

最小編集距離: 5

最小編集距離

最小編集距離のアルゴリズム

アルゴリズム	操作
Damerau-Levenshtein	挿入、置換、削除、転置
Levenshtein	挿入、置換、削除
Hamming	置換のみ
Jaro distance	転置のみ
...	...

利用可能なパッケージ: nltk, thefuzz, textdistance ..

最小編集距離のアルゴリズム

アルゴリズム	操作
Damerau-Levenshtein	挿入、置換、削除、転置
*Levenshtein*	_挿入_, _置換_, _削除_
Hamming	置換のみ
Jaro distance	転置のみ
...	...

利用可能なパッケージ: thefuzz

簡単な文字列比較

# Lets us compare between two strings
from thefuzz import fuzz


# Compare reeding vs reading
fuzz.WRatio('Reeding', 'Reading')

部分一致と順序の違い

# Partial string comparison
fuzz.WRatio('Houston Rockets', 'Rockets')

# Partial string comparison with different order
fuzz.WRatio('Houston Rockets vs Los Angeles Lakers', 'Lakers vs Rockets')

配列との比較

# Import process
from thefuzz import process

# Define string and array of possible matches
string = "Houston Rockets vs Los Angeles Lakers"
choices = pd.Series(['Rockets vs Lakers', 'Lakers vs Rockets', 
                     'Houson vs Los Angeles', 'Heat vs Bulls'])

process.extract(string, choices, limit = 2)

[('Rockets vs Lakers', 86, 0), ('Lakers vs Rockets', 86, 1)]

文字列類似度でカテゴリを統合

第2章

.replace() で "eur" を "Europe" に統合

バリエーションが多すぎる場合は?

"EU", "eur", "Europ", "Europa", "Erope", "Evropa"...

文字列類似度！

文字列マッチングでカテゴリを統合

print(survey['state'].unique())

id          state
0      California
1            Cali
2      Calefornia
3      Calefornie
4      Californie
5       Calfornia
6      Calefernia
7        New York
8   New York City
...

categories

  state
0 California
1 New York

州名を一括統合

# For each correct category
for state in categories['state']:

  # Find potential matches in states with typoes
    matches = process.extract(state, survey['state'], limit = survey.shape[0])

    # For each potential match match
    for potential_match in matches:
       # If high similarity score
        if potential_match[1] >= 80:

          # Replace typo with correct category
          survey.loc[survey['state'] == potential_match[0], 'state'] = state

レコードリンケージ

Passons à la pratique !

Pythonで学ぶデータクリーニング