python匹配问题

脏数据匹配

一般数据建模步骤中，数据清洗耗时占比80%以上，因为现实中接触到的数据相当脏，无法直接简单的用pandas的merge函数解决。下面以QS大学排名的匹配为例，简单介绍脏数据匹配中会遇到的问题和主要步骤。

1 问题描述

给定一个QS大学排名数据集，主要字段为大学名和排名，再给定一个带大学名称的本地数据集，我们需要根据QS表中的名字与我们已有的数据集中的大学名字进行匹配，然后将对应的QS排名添加到本地数据集中。QS数据集和本地数据集形式如下图：

数据匹配的过程中，可能出现以下几个问题需要处理。

• 格式：比如是否加标点符号，名称顺序不同等
• 语言：不同国家的学校语言可能不同
• 别名：新旧名或多个名字、缩写等等

2 一般步骤

对于较为规整的数据，可以尝试直接用pandas的merge函数进行匹配，效率往往也较高。但merge函数只能解决规范化的问题，则建议使用json类型转化为列表和字典的组合形式，虽然降低了数据处理的速度，但提供了更灵活的匹配与修改操作。（ps 建议熟练掌握pandas的常用数据处理函数，了解其规范化的处理方式以及使用限制，才能很快判断是否能用标准库处理。）

原则上，匹配的过程遵循从精准匹配到模糊匹配的顺序。 因为已经匹配的数据将不参与后续的匹配，而模糊匹配可能会出现错误，且后续无法纠正该错误，所以应该在前面步骤实在无法匹配成功的情况下使用模糊匹配。

2.1 数据导入

# 将csv转为json再导入
qs = pd.read_csv('2024 QS World University Rankings 1.1 (For qs.com).csv')
data = pd.read_csv('data.csv')

qs.to_json('QS_rank.json', orient='records')
data.to_json('data.json', orient='records')

with open('QS_rank.json', 'r', encoding='utf-8') as f:
    qs = json.load(f)
with open('data.json', 'r', encoding='utf-8') as f:
    data = json.load(f)

2.2 匹配函数

left_on和right_on分别为左右合并键，func为判断是否匹配的函数，传入参数为要比较的两个字符串，返回是否匹配的bool值，以及两表对应匹配的字段，方便后续校对。

# 匹配函数
def merge(data, qs, left_on, right_on, func):
    for i in range(len(data)):
        ent = data[i]
        if left_on not in ent.keys():
            continue
        # 判断左键值是否不为None
        if not ent[left_on]:
            continue
        for j in range(len(qs)):
            uni = qs[j]
            result = func(ent[left_on], uni[right_on])
            match, left_key, right_key = result[0], result[1], result[2]
            if match and ('QS rank' not in ent.keys()):
                ent['QS rank'] = uni['2024 RANK']
                ent['left_key'] = left_key
                ent['right_key'] = right_key
                if uni[right_on] not in ent['Name List']:
                    ent['Name List'].append(uni[right_on])  # 创建name list字段方便日后遇到同样的名字可以直接进行匹配（这一步也可以不加）
                data[i] = ent
                break
    # 判断匹配后还剩多少未匹配对象
    print(pd.DataFrame(data)['QS rank'].isnull().sum())

2.3 匹配方式

按照从精准到不精准的匹配顺序，依次介绍传入匹配函数的func参数。（顺序可以根据具体情况判断，没有绝对的顺序）

2.3.1 完全相等

func_equal = lambda x, y : (x == y, x, y)
merge(data, qs, 'name', 'Institution Name', func_equal)

2.3.2 忽略大小写后相等

func_lower = lambda x, y : (x.lower() == y.lower(), x, y)
merge(data, qs, 'name', 'Institution Name', func_lower)

2.3.3 正则化匹配

将脏数据中没有实际意义的虚词删除可以进一步提高匹配数量，这一步可以用正则化来完成。根据数据集的具体情况，写对应的正则化pattern。需要注意的是，正则表达式来做替换时，需要注意替换的顺序，即先替换不容易满足的特例，再替换普遍容易满足的一般情况。

比如先用' - '替换为' '，再用'-'替换为' '，因为如果先替换后者则会使' - '变为两个空格，而导致无法匹配上。

def pattern(string1, string2):
    patterns_need_delete = ['the ', '\'', ''', ''', ',', 'universi[A-Za-z]* ', 'Üniversitesi '] 
    patterns_need_replace = [' at ', ' in ', ' do ', ' de ', ' di ', ' of ', ' and ', ' & ', ' - ', '-', ' da ']
    string1, string2 = string1.lower(), string2.lower()
    
    for pa in patterns_need_replace:
        string1, string2 = re.sub(pa, ' ', string1, re.I).strip(), re.sub(pa, ' ', string2, re.I).strip()
    for pa in patterns_need_delete:
        string1, string2 = re.sub(pa, '', string1, re.I).strip(), re.sub(pa, '', string2, re.I).strip()
    # print(string1)
    # print(string2)
    set1, set2 = set(string1.split(' ')), set(string2.split(' '))
    return (set1.issubset(set2) or set2.issubset(set1), string1, string2)

merge(data, qs, 'name', 'Institution Name', pattern)

2.3.4 编辑距离匹配

编辑距离函数计算两个字符串的相似度，100为完全匹配，0为完全不匹配，当编辑距离大于某个特定阈值则认为匹配。（这里取90）

# 编辑距离
def calculate_string_similarity(string1, string2, decimal_places=2):
    if not string1 or not string2:
        return (0, string1, string2)

    if string1 == string2:
        return (100, string1, string2)

    length1 = len(string1)
    length2 = len(string2)
    max_length = max(length1, length2)
    distance_matrix = [[0] * (length2 + 1) for _ in range(length1 + 1)]

    # 初始化编辑距离矩阵
    for i in range(length1 + 1):
        distance_matrix[i][0] = i

    for j in range(length2 + 1):
        distance_matrix[0][j] = j

    # 填充编辑距离矩阵
    for i in range(1, length1 + 1):
        char1 = string1[i - 1]

        for j in range(1, length2 + 1):
            char2 = string2[j - 1]
            cost = 0 if char1 == char2 else 1

            # 计算编辑距离
            distance_matrix[i][j] = min(
                distance_matrix[i - 1][j] + 1,      # 删除操作
                distance_matrix[i][j - 1] + 1,      # 插入操作
                distance_matrix[i - 1][j - 1] + cost # 替换操作
            )

    # 计算相似度得分
    edit_distance = distance_matrix[length1][length2]
    similarity_score = (1 - edit_distance / max_length) * 100

    return (round(similarity_score, decimal_places) > 90, string1, string2)

merge(data, qs, 'name', 'Institution Name', calculate_string_similarity)

2.3.5 包含匹配

a包含b，或b包含a则认为匹配。

func_contain = lambda x, y : ((x in y) or (y in x), x, y)
merge(data, qs, func_contain)

这一步需要注意误匹配问题，比如天津大学可能会与天津财经大学匹配。这个问题无法完全避免，可以先用精准匹配把天津大学完全匹配掉，然后在做剩下的匹配，但也无法完全避免误匹配，如果对精准度要求较高，则只能后续统一人工校对一遍。

2.3.6 忽略顺序匹配

有的字段所包含的字符完全一致但顺序不同，这时可以先将字符串按空格切分为列表，将列表转化为集合，比较集合是否相等。

def without_order(string1, string2):
    set1, set2 = set(string1.split(' ')), set(string2.split(' '))
    return (set1.issubset(set2) or set2.issubset(set1), string1, string2)
merge(data, qs, without_order)

前面所提到的步骤都可以结合使用，比如忽略顺序且相互包含。

2.3.7 人工匹配

每一步匹配结束后，可以查看尚未匹配的数据的情况，从而调整或生成新的匹配方法，对于最终仍未能匹配的个性化情况，则只能使用人工匹配与校对。可以根据维基百科为每个未匹配字段添加别名，然后据此重新匹配。

上述匹配方法可以扩展到很多其他脏数据匹配问题，类似的问题还有公司名称的匹配等，可作参考。