问题描述
我正在使用一个具有两列城市名称的数据框,这些列应该相等。但是它们不是由于管理错误,拼写错误或名称更改引起的。我正在尝试查看这些城市名称何时“足够相等”以致被假定为相等。使用SequenceMatcher,我可以将列表大致分为3部分:一切都是错误的,有些是错误的,有些是正确的,一切都是正确的。
在一个理想的世界中,我希望将列表分成几部分:一切都错了,一切都正确了。可以围绕某个比率/匹配值进行拆分的地方。
因此,SequenceMatcher不能帮我解决这个问题。我发现了文本距离,但是我对这种可能性不知所措,也许还有更多的可能性。出现错误的示例:
'Zeddam'和'Didam'的比率为0.72(不相等)。 “ Nes”和“ Nes gem dongeradeel”的比率为0.45(相等,第二个仅表示省份)
仅检查其中一个字符串是否为另一个字符串的子集并不能解决问题,因为在其他情况下它还会带来问题。
你们对哪种字符串比较算法合适以及为什么有建议?我正在比较数据框中的多列,大约有1000行。
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)