Python中如何对字符串列进行模糊匹配_利用fuzzywuzzy库计算相似度-Python教程-PHP中文网

fuzzywuzzy.fuzz.ratio仅接受两个字符串，不能直接处理Pandas Series；需用apply配合lambda并预处理空值和类型，中文效果差因无分词逻辑，推荐升级rapidfuzz提升性能与适配性。

python中如何对字符串列进行模糊匹配_利用fuzzywuzzy库计算相似度

为什么直接用 `fuzzywuzzy.fuzz.ratio` 处理 Pandas 字符串列会报错

因为 fuzzywuzzy.fuzz.ratio 只接受两个字符串，不能直接传入 Series 或 str 类型的列。常见错误是写成 df['col'].apply(fuzz.ratio, args=('target',))，但 fuzz.ratio 位置参数固定为两个字符串，args 传参方式容易错序或漏参数。

正确做法是显式包装成单参数函数：

from fuzzywuzzy import fuzz
df['similarity'] = df['col'].apply(lambda x: fuzz.ratio(x, 'target'))

必须确保 x 是字符串类型，空值（NaN）会触发 AttributeError: 'float' object has no attribute 'lower' —— 需提前用 df['col'].fillna('') 或在 lambda 中加判断
fuzz.ratio 区分大小写、保留空格和标点，若需忽略，先统一做 .lower().strip()
性能较差：纯 Python 循环，万级数据就明显卡顿

如何批量匹配多个候选字符串并取最高分（如查“北京”在 ['北京市', '北京东路', '上海'] 中最像谁）

用 fuzzywuzzy.process.extractOne，它专为“一查多”设计，返回 (match, score, index) 元组。注意它默认只返回最高分项，不返回全部排序结果。

from fuzzywuzzy import process
candidates = ['北京市', '北京东路', '上海']
df['best_match'] = df['query'].apply(
    lambda x: process.extractOne(x, candidates) if pd.notna(x) else None
)
# 结果是元组，可拆解：
df['matched_str'] = df['best_match'].str[0]
df['score'] = df['best_match'].str[1]

默认使用 fuzz.token_sort_ratio 作为 scorer，对词序不敏感；如需严格字符匹配，显式传 scorer=fuzz.ratio
candidates 若含空字符串或 None，会报错，务必提前过滤：[s for s in candidates if isinstance(s, str) and s.strip()]
若想返回前 N 个匹配（不止最优），用 process.extract，它返回列表，需用 str[0][0] 取第一个匹配项的字符串

为什么 `fuzzywuzzy` 在中文上效果差？该换 `rapidfuzz` 吗

原生 fuzzywuzzy 没有中文分词逻辑，把“北京大学”和“北大”当纯字符比对，fuzz.ratio 可能只有 50 分；而 rapidfuzz 是其更快更全的替代品，支持 token_set_ratio 等更适应中文的算法，且底层用 C 实现，速度提升 3–5 倍。

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

迁移只需改导入和少量调用：

processor=None

安装命令是 pip install rapidfuzz，不是 fuzzywuzzy
若依赖旧版 fuzzywuzzy 的第三方包（如 thefuzz 已弃用），建议统一升级到 rapidfuzz 并检查 scorer 参数是否显式指定
对长文本（>100 字），fuzz.partial_ratio 更鲁棒，但要注意它可能把“中华人民共和国”和“共和国”打高分

Pandas 中对两列字符串做逐行模糊匹配（如 df['name1'] vs df['name2']）

不能直接用 apply 套两列，必须用 zip 或 np.vectorize（但后者不推荐，因仍为循环）。最清晰的是 apply 配合 axis=1：

df['sim'] = df.apply(
    lambda row: fuzz.ratio(str(row['name1']), str(row['name2'])), 
    axis=1
)

必须转 str()，否则遇到 NaN 或数字类型会报错
若任一列为 NaN，str(np.nan) 是 'nan'，导致误匹配；应先用 df[['name1','name2']].fillna('')
性能瓶颈明显：10 万行约需 20 秒（rapidfuzz 可压到 4 秒内）
没有内置向量化实现，别指望 df['name1'].fuzz_ratio(df['name2']) 这种语法