Compararea șirurilor de caractere

Curățarea datelor în Python

Adel Nehme

VP of AI Curriculum, DataCamp

În acest capitol

 

 

 

 

 

 

Capitolul 4 - Legătura între înregistrări

Curățarea datelor în Python

Distanța minimă de editare

Numărul minim de pași pentru a transforma un șir în altul

Curățarea datelor în Python

Distanța minimă de editare

Numărul minim de pași pentru a transforma un șir în altul

Curățarea datelor în Python

Distanța minimă de editare

Curățarea datelor în Python

Distanța minimă de editare

Distanța minimă de editare până acum: 2

Curățarea datelor în Python

Distanța minimă de editare

Distanța minimă de editare: 5

Curățarea datelor în Python

Distanța minimă de editare

 

Curățarea datelor în Python

Algoritmi pentru distanța minimă de editare

Algoritm Operații
Damerau-Levenshtein inserare, substituire, ștergere, transpunere
Levenshtein inserare, substituire, ștergere
Hamming doar substituire
Distanța Jaro doar transpunere
... ...

 

Pachete posibile: nltk, thefuzz, textdistance ..

Curățarea datelor în Python

Algoritmi pentru distanța minimă de editare

Algoritm Operații
Damerau-Levenshtein inserare, substituire, ștergere, transpunere
Levenshtein inserare, substituire, ștergere
Hamming doar substituire
Distanța Jaro doar transpunere
... ...

 

Pachete posibile: thefuzz

Curățarea datelor în Python

Compararea simplă a șirurilor

# Lets us compare between two strings
from thefuzz import fuzz


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

86
Curățarea datelor în Python

Șiruri parțiale și ordine diferită

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

90

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

86
Curățarea datelor în Python

Compararea cu tablouri

# 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)]
Curățarea datelor în Python

Colapsarea categoriilor cu similaritatea șirurilor

Capitolul 2

Utilizarea .replace() pentru a înlocui "eur" cu "Europe"

 

Ce facem când sunt prea multe variații?

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

 

                                                                                                Similaritatea șirurilor!

Curățarea datelor în Python

Colapsarea categoriilor prin potrivirea șirurilor

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
Curățarea datelor în Python

Colapsarea tuturor stărilor

# 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
Curățarea datelor în Python

Legătura între înregistrări

legătura între înregistrări

Curățarea datelor în Python

Să exersăm!

Curățarea datelor în Python

Preparing Video For Download...