Jämföra strängar

Datarensning i Python

Adel Nehme

VP of AI Curriculum, DataCamp

I det här kapitlet

 

 

 

 

 

 

Kapitel 4 - Postlänkning

Datarensning i Python

Minsta redigeringsavstånd

Minsta möjliga antal steg för att gå från en sträng till en annan

Datarensning i Python

Minsta redigeringsavstånd

Minsta möjliga antal steg för att gå från en sträng till en annan

Datarensning i Python

Minsta redigeringsavstånd

Datarensning i Python

Minsta redigeringsavstånd

Minsta redigeringsavstånd hittills: 2

Datarensning i Python

Minsta redigeringsavstånd

Minsta redigeringsavstånd: 5

Datarensning i Python

Minsta redigeringsavstånd

 

Datarensning i Python

Algoritmer för minsta redigeringsavstånd

Algoritm Operationer
Damerau-Levenshtein infogning, substitution, borttagning, transposition
Levenshtein infogning, substitution, borttagning
Hamming endast substitution
Jaro distance endast transposition
... ...

 

Möjliga paket: nltk, thefuzz, textdistance ..

Datarensning i Python

Algoritmer för minsta redigeringsavstånd

Algoritm Operationer
Damerau-Levenshtein infogning, substitution, borttagning, transposition
Levenshtein infogning, substitution, borttagning
Hamming endast substitution
Jaro distance endast transposition
... ...

 

Möjliga paket: thefuzz

Datarensning i Python

Enkel strängjämförelse

# Lets us compare between two strings
from thefuzz import fuzz


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

86
Datarensning i Python

Delvisa strängar och olika ordning

# 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
Datarensning i Python

Jämförelse med arrayer

# 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)]
Datarensning i Python

Slå ihop kategorier med stränglikhet

Kapitel 2

Använd .replace() för att slå ihop "eur" till "Europe"

 

Vad händer om det finns för många varianter?

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

 

                                                                                                Stränglikhet!

Datarensning i Python

Slå ihop kategorier med strängmatchning

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
Datarensning i Python

Slå ihop alla delstater

# 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
Datarensning i Python

Postlänkning

postlänkning

Datarensning i Python

Nu kör vi en övning!

Datarensning i Python

Preparing Video For Download...