Porównywanie ciągów znaków

Czyszczenie danych w Pythonie

Adel Nehme

VP of AI Curriculum, DataCamp

W tym rozdziale

Rozdział 4 - Łączenie rekordów

Minimalna odległość edycji

Minimalna liczba kroków potrzebnych do przekształcenia jednego ciągu w drugi

Minimalna odległość edycji

Minimalna liczba kroków potrzebnych do przekształcenia jednego ciągu w drugi

Minimalna odległość edycji

Minimalna odległość edycji dotychczas: 2

Minimalna odległość edycji

Minimalna odległość edycji: 5

Minimalna odległość edycji

Algorytmy minimalnej odległości edycji

Algorytm	Operacje
Damerau-Levenshtein	wstawienie, podstawienie, usunięcie, transpozycja
Levenshtein	wstawienie, podstawienie, usunięcie
Hamming	tylko podstawienie
Odległość Jaro	tylko transpozycja
...	...

Możliwe pakiety: nltk, thefuzz, textdistance ..

Algorytmy minimalnej odległości edycji

Algorytm	Operacje
Damerau-Levenshtein	wstawienie, podstawienie, usunięcie, transpozycja
*Levenshtein*	**wstawienie, podstawienie, usunięcie**
Hamming	tylko podstawienie
Odległość Jaro	tylko transpozycja
...	...

Możliwe pakiety: thefuzz

Proste porównywanie ciągów znaków

# Lets us compare between two strings
from thefuzz import fuzz


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

Częściowe ciągi i różna kolejność

# 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')

Porównywanie z tablicami

# 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)]

Scalanie kategorii z użyciem podobieństwa ciągów

Rozdział 2

Użyj .replace(), aby zamienić "eur" na "Europe"

Co, gdy jest zbyt wiele wariantów?

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

Podobieństwo ciągów!

Scalanie kategorii z użyciem dopasowania ciągów

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

Scalanie wszystkich stanów

# 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

Łączenie rekordów

łączenie rekordów

Lass uns üben!

Czyszczenie danych w Pythonie