项目中,客户突然提出需要根据一份企业名单查找对应的内部系统用户信息,然后根据直接的企业社会统一信用号和企业名称进行匹配,发现匹配率只有2.86%,低得可怜。所以根据客户的要求,需要将匹配率提高到70-80%左右,于是开始了折腾之路。
上网一查,各种相似度的算法供选择,简直是眼花缭乱,感叹现在python发展的强大,需要做什么研究都能快速运用上各种算法库,找到的算法有:
1、欧几里得距离(Eucledian Distance)
欧氏距离是最常用的距离计算公式,衡量的是多维空间中各个点之间的绝对距离。
2、曼哈顿距离(Manhattan Distance)
曼哈顿距离依赖坐标系统的转度,而非系统在坐标轴上的平移或映射,他是使用在几何度量空间的几何学用语,用以标明两个点在标准坐标系上的绝对轴距总和。
3.切比雪夫距离
在数学中,切比雪夫距离(Chebyshev distance)或是L∞度量,是向量空间中的一种度量,二个点之间的距离定义是其各坐标数值差绝对值的最大值。以数学的观点来看,切比雪夫距离是由一致范数(uniform norm)(或称为上确界范数)所衍生的度量,也是超凸度量(injective metric space)的一种。
4、明可夫斯基距离(Minkowski distance)
明氏距离是欧氏距离的推广。闵氏距离不是一种距离,而是一组距离的定义。闵氏距离的定义:两个n维变量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的闵可夫斯基距离定义为:
其中p是一个变参数。
当p=1时,就是曼哈顿距离
当p=2时,就是欧氏距离
当p→∞时,就是切比雪夫距离
根据变参数的不同,闵氏距离可以表示一类的距离。
5、词袋模型 6、TF-IDF 7、余弦相似度8、Python自带比较相似度函数difflib.SequenceMatcher 9、word2vec 10、JS距离 11、simtext 等等... ...
然后最后我们采用的是 Levenshtein,Levenshtein Distance是一个度量两个字符序列之间差异的字符串度量标准,两个单词之间的Levenshtein Distance是将一个单词转换为另一个单词所需的单字符编辑(插入、删除或替换)的最小数量。Levenshtein Distance是1965年由苏联数学家Vladimir Levenshtein发明的。Levenshtein Distance也被称为编辑距离(Edit Distance)。
安装对应的库
# conda install python-Levenshtein
# pip install python-Levenshtein
计算字符串的相似度
汉明距离,要求str1和str2必须长度一致。是描述两个等长字串之间对应位置上不同字符的个数。
编辑距离,也称为Levenshtein距离,描述由一个字串转化成另一个字串最少的操作次数,在其中的操作包括插入、删除、替换。
莱文斯坦比,计算公式 r = (sum - ldist) / sum, 其中sum是指str1 和 str2 字串的长度总和,ldist是类编辑距离
注意:这里的类编辑距离不是2中所说的编辑距离,2中三种操作中每个操作+1,而在此处,删除、插入依然+1,但是替换+2
这样设计的目的:ratio(‘a’, ‘c’),sum=2,按2中计算为(2-1)/2 = 0.5,’a’,'c’没有重合,显然不合算,但是替换操作+2,就可以解决这个问题。
在实际操作中,我们应用了莱文斯坦比来给不同的企业名称打分
第一步:剔除高频词,由于通过企业名称精确匹配发现很难匹配到对应的用户名称,那么很有可能这份企业名单中的企业名称不是那么符合规范也可能更改了其他后缀、前缀,所以通过剔除高频词之后,再进行模糊匹配。
#region 第一步excelname = '*******.xlsx'LoadPath = excelname #加载excel路径(这里为相对路径,excel表与该程序在同一文件夹下就能识别,所以只用excel文件名即可)#excel表格初始化book=load_workbook(LoadPath, data_only=True)#加载已有Excel文档sheet_current_week_result=book['sheet1']#加载需要的工作簿(这里为excel表中的sheet工作簿)# 剔除企业高频词 w = 1w = w + 1while w <= sheet_current_week_result.max_row:strreplace = sheet_current_week_result['A'+str(w)].valuefor qy_gpc in ['有限公司','**省','科技','供应站','分公司','有限责任','有限','贸易','湖南','公司']: strreplace = strreplace.replace(qy_gpc,'')sheet_current_week_result['E'+str(w)].value = strreplaceprint(w)w = w + 1book.save(LoadPath)
#endregion
第二步:模糊匹配,根据剔除后的企业名称与内部系统的用户名进行模糊匹配,可能得到一个企业名称对应多个用户名的情况,这样才需要我们的第三步,用户名称相似度排名打分,当然第二步中我们可能获取到完全匹配的名称,我们需要另外存放起来。
#region 第二步df = pd.read_excel('***.xlsx', sheet_name='sheet1')df.index = range(1,len(df)+1)df = df[:len(df)+1]df = df.values.tolist()all_zbdc = []zbdc_tup = []for row in df: # 2. 将剔除后的企业名称、匹配后用户名称完全相等的记录找出来,得到表AllMateqy_nm,qy_area,qy_code,qy_bs_scope,qy_tc_gpc,qy_mate_nm = rowzbdc = row[0]res_zbdc = []flag = Trueif qy_nm == qy_mate_nm:res_row = [qy_nm,qy_area,qy_code,qy_bs_scope,qy_tc_gpc,qy_mate_nm,100,1,Levenshtein.ratio(qy_nm, qy_tc_gpc) * 100]print(res_row)all_zbdc.append(res_row)flag = False if flag:zbdc_tup.append([qy_nm,qy_area,qy_code,qy_bs_scope,qy_tc_gpc,qy_mate_nm])df = pd.DataFrame(all_zbdc)df.to_excel('AllMate.xlsx', sheet_name='mate', index=False)#endregion
第三步:相似度排名打分
#region 第三步print(len(zbdc_tup))res = []for row in zbdc_tup:qy_nm,qy_area,qy_code,qy_bs_scope,qy_tc_gpc,qy_mate_nm = rowres_zbdc = []strreplace = qy_mate_nmfor qy_mate_gpc in ['有限公司','**省','科技','供应站','分公司','有限责任','有限','贸易','**','公司']: strreplace = strreplace.replace(qy_mate_gpc,'')d_n = intersection(strreplace, qy_tc_gpc)sim = max(Levenshtein.ratio(strreplace, d_n),Levenshtein.ratio(qy_tc_gpc, d_n))res_row = [qy_nm,qy_area,qy_code,qy_bs_scope,qy_tc_gpc,qy_mate_nm,strreplace,sim * 100]res_zbdc.append(res_row)res.append(get_top3(res_zbdc))df = pd.concat(res)df.to_excel('SimilarMate.xlsx', sheet_name='mate', index=False)#endregion
涉及到的自定义函数:
def intersection(string1, string2):return [cha for cha in string2 if cha in string1]def get_top3(datas:list):df = pd.DataFrame(datas,columns=["企业名称","区块","统一社会信用代码","经营范围","企业匹配结果名称","企业匹配结果名称剔除高频","名称相似度"])df = df.sort_values("名称相似度",ascending=False)df.index = range(1,len(df)+1)df = df[:3]df['相似度排名'] = df.indexall_sim = []for i in range(len(df)):row = df.iloc[i].to_list()all_sim.append(Levenshtein.ratio(row[0], row[3]) * 100)df['全名相似度'] = all_simprint(df)return df