Сравнение строк

Очистка данных в Python

Adel Nehme

VP of AI Curriculum, DataCamp

В этой главе

 

 

 

 

 

 

Глава 4 - Связывание записей

Очистка данных в Python

Минимальное редакционное расстояние

Минимальное количество шагов для преобразования одной строки в другую

Очистка данных в Python

Минимальное редакционное расстояние

Минимальное количество шагов для преобразования одной строки в другую

Очистка данных в Python

Минимальное редакционное расстояние

Очистка данных в Python

Минимальное редакционное расстояние

Минимальное редакционное расстояние на данный момент: 2

Очистка данных в Python

Минимальное редакционное расстояние

Минимальное редакционное расстояние: 5

Очистка данных в Python

Минимальное редакционное расстояние

 

Очистка данных в Python

Алгоритмы минимального редакционного расстояния

Алгоритм Операции
Damerau-Levenshtein вставка, замена, удаление, перестановка
Levenshtein вставка, замена, удаление
Hamming только замена
Jaro distance только перестановка
... ...

 

Возможные пакеты: nltk, thefuzz, textdistance ..

Очистка данных в Python

Алгоритмы минимального редакционного расстояния

Алгоритм Операции
Damerau-Levenshtein вставка, замена, удаление, перестановка
Levenshtein вставка, замена, удаление
Hamming только замена
Jaro distance только перестановка
... ...

 

Возможные пакеты: thefuzz

Очистка данных в Python

Простое сравнение строк

# Lets us compare between two strings
from thefuzz import fuzz


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

86
Очистка данных в Python

Частичные строки и разный порядок слов

# 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
Очистка данных в Python

Сравнение с массивами

# 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)]
Очистка данных в Python

Объединение категорий с помощью схожести строк

Глава 2

Используйте .replace(), чтобы заменить "eur" на "Europe"

 

Что делать, если вариантов слишком много?

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

 

                                                                                                Схожесть строк!

Очистка данных в Python

Объединение категорий с помощью сопоставления строк

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
Очистка данных в Python

Объединение всех значений штатов

# 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
Очистка данных в Python

Связывание записей

связывание записей

Очистка данных в Python

Давайте потренируемся!

Очистка данных в Python

Preparing Video For Download...