Porovnávání řetězců

Čištění dat v Pythonu

Adel Nehme

VP of AI Curriculum, DataCamp

V této kapitole

Kapitola 4 – Propojování záznamů

Minimální editační vzdálenost

Minimální počet kroků potřebných k přechodu z jednoho řetězce na druhý

Minimální editační vzdálenost

Minimální počet kroků potřebných k přechodu z jednoho řetězce na druhý

Minimální editační vzdálenost

Minimální editační vzdálenost dosud: 2

Minimální editační vzdálenost

Minimální editační vzdálenost: 5

Minimální editační vzdálenost

Algoritmy minimální editační vzdálenosti

Algoritmus	Operace
Damerau-Levenshtein	vložení, nahrazení, smazání, transpozice
Levenshtein	vložení, nahrazení, smazání
Hamming	pouze nahrazení
Jaro distance	pouze transpozice
...	...

Možné balíčky: nltk, thefuzz, textdistance ..

Algoritmy minimální editační vzdálenosti

Algoritmus	Operace
Damerau-Levenshtein	vložení, nahrazení, smazání, transpozice
*Levenshtein*	**vložení, nahrazení, smazání**
Hamming	pouze nahrazení
Jaro distance	pouze transpozice
...	...

Možné balíčky: thefuzz

Jednoduché porovnávání řetězců

# Lets us compare between two strings
from thefuzz import fuzz


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

Částečné řetězce a různé pořadí

# 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')

Porovnávání s poli

# 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)]

Slučování kategorií pomocí podobnosti řetězců

Kapitola 2

Použití .replace() pro nahrazení "eur" za "Europe"

Co když existuje příliš mnoho variant?

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

Podobnost řetězců!

Slučování kategorií pomocí shody řetězců

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

Slučování všech států

# 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

Propojování záznamů

propojování záznamů

Lass uns üben!

Čištění dat v Pythonu