การเปรียบเทียบสตริง

การทำความสะอาดข้อมูลใน Python

Adel Nehme

VP of AI Curriculum, DataCamp

ในบทนี้

บทที่ 4 - Record linkage

Minimum edit distance

จำนวนขั้นตอนน้อยที่สุดที่ต้องใช้ในการเปลี่ยนสตริงหนึ่งไปเป็นอีกสตริงหนึ่ง

Minimum edit distance

Minimum edit distance ณ ตอนนี้: 2

Minimum edit distance

Minimum edit distance: 5

Minimum edit distance

อัลกอริทึม Minimum edit distance

อัลกอริทึม	การดำเนินการ
Damerau-Levenshtein	การแทรก, การแทนที่, การลบ, การสลับตำแหน่ง
Levenshtein	การแทรก, การแทนที่, การลบ
Hamming	การแทนที่เท่านั้น
Jaro distance	การสลับตำแหน่งเท่านั้น
...	...

แพ็กเกจที่ใช้ได้: nltk, thefuzz, textdistance ..

อัลกอริทึม Minimum edit distance

อัลกอริทึม	การดำเนินการ
Damerau-Levenshtein	การแทรก, การแทนที่, การลบ, การสลับตำแหน่ง
*Levenshtein*	**การแทรก, การแทนที่, การลบ**
Hamming	การแทนที่เท่านั้น
Jaro distance	การสลับตำแหน่งเท่านั้น
...	...

แพ็กเกจที่ใช้ได้: thefuzz

การเปรียบเทียบสตริงอย่างง่าย

# Lets us compare between two strings
from thefuzz import fuzz


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

สตริงบางส่วนและลำดับที่แตกต่างกัน

# 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')

การเปรียบเทียบกับอาร์เรย์

# 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)]

การรวมหมวดหมู่ด้วยความคล้ายคลึงของสตริง

บทที่ 2

ใช้ .replace() เพื่อรวม "eur" เป็น "Europe"

แล้วถ้ามีรูปแบบที่หลากหลายเกินไปล่ะ?

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

ความคล้ายคลึงของสตริง!

การรวมหมวดหมู่ด้วยการจับคู่สตริง

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

การรวมข้อมูลรัฐทั้งหมด

# 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

Record linkage

record linkage

มาฝึกกันเถอะ!

การทำความสะอาดข้อมูลใน Python