fuzzywuzzy的fuzz.ratio()返回值忽高忽低，核心原因是默认全字符串逐字符比对，大小写、标点、空格、顺序差异均会显著拉低分值；需预处理：统一小写、清洗标点、替换缩写、提取关键字段。
为什么 fuzzywuzzy 的 fuzz.ratio() 返回值忽高忽低？
核心原因在于它默认做的是**全字符串逐字符比对**，大小写、空格、标点、顺序稍有差异就会显著拉低分值。比如 "Apple Inc" 和 "apple inc." 算出来可能只有 70 分——不是算法不行，是没预处理。
实操建议：
- 务必先统一转小写：
s1.lower(), s2.lower() - 用
re.sub(r'[^a-z0-9\s]', '', text)剥离标点和特殊符号（保留空格） - 对机构名、人名等常见场景，提前替换缩写：
.replace("inc.", "inc").replace("co.", "company") - 避免直接拿原始地址、带括号的型号字段硬比，先抽关键字段再比
process.extract() 怎么选最匹配项，又不被噪声干扰？
这个函数本质是遍历列表暴力计算相似度，返回带分数的元组列表。但默认行为容易误判：比如搜 "iPhone 12"，["iPhone 12 Pro", "iPhone SE", "iPod Touch"] 中可能把带“Pro”的当第一匹配，其实你只想找基础款。
实操建议：
- 加
limit=1只取最高分，但必须配合阈值过滤：if score >= 80: use it - 优先用
process.extractOne(query, choices, scorer=fuzz.token_sort_ratio)——它先分词再排序比对，对词序错乱更鲁棒 - 若 choices 是字典或对象列表，用
processor参数提取字段：processor=lambda x: x.get('name', '') - 别依赖默认的
fuzz.WRatio，它混合了多种策略但不可控；明确指定scorer更稳妥
中文模糊匹配为什么效果差？fuzzywuzzy 本身不支持中文分词
fuzzywuzzy 底层是 Python-Levenshtein，纯字符级编辑距离。中文没有空格分隔，"北京朝阳区" 和 "朝阳区北京" 被当成完全不同的字符串，fuzz.ratio() 直接掉到 40 分以下。
实操建议：
- 必须前置中文分词：用
jieba.lcut("北京朝阳区") → ["北京", "朝阳区"]，再用" ".join()拼成带空格字符串 - 对地名、品牌等结构化中文，可人工建映射表：
{"北辰": "北京北辰", "国贸": "北京国贸"}，先归一化再比 - 考虑换库：
rapidfuzz（fuzzywuzzy的更快替代）+jieba组合更可控，且支持自定义 tokenizer - 警惕拼音转换：把中文转拼音再比，会丢失多音字和语义，仅适合简单场景如姓名纠错
清洗脏数据时，怎样避免把“不同但合理”的字符串误合并？
模糊匹配最危险的不是漏，而是错——把 "Tesla Model 3" 和 "Tesla Model Y" 当成同一款车清洗掉，业务就出问题了。
实操建议：
- 永远保留原始字段和匹配分数，不要直接覆盖；清洗动作应生成新列如
clean_name+match_score - 设置动态阈值：对型号类字段用 95+，对城市名可用 85，对用户昵称放宽到 75，但都得留日志查证
- 加规则兜底：比如 “Model” 后跟数字才参与车型匹配，否则跳过；用正则辅助语义约束
- 批量清洗前，先抽样看 top 20 的
process.extractOne结果，人工核对是否合理——这步省不得
真正难的不是调哪个函数，而是判断“多像才算真一样”。分数只是参考，业务含义才是清洗边界的锚点。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
