模糊標識指紋

Question

我有一個電子表格，其中包含地址，名稱，IBAN，電子郵件等數值，並且想要識別客戶上次購物時的情況。

問題是：有些字段包含拼寫錯誤，其他字段有意輸入錯誤。

在GitHub上，幾個庫如https://github.com/seatgeek/fuzzywuzzy，https://github.com/seamusabshere/fuzzy_match或https://github.com/atom/fuzzaldrin可用於基於單個和可比較的列執行模糊搜索。但我想結合多個領域 - 這聽起來像是一個常見問題，我希望找到現有的解決方案。

你能爲這樣的問題推薦方法嗎？有沒有現有的項目，我缺少這樣的問題？ 在所有字段上的常規字符串距離通常足夠好嗎？

Answer 1

我在你的其他問題中提到過它，但是dedupe python librarydoes what you want。

基本上，它計算一對行中每個字段之間的距離，然後學習最優權重以將這些距離組合成單個記錄對得分。

Answer 2

到目前爲止，我認爲http://blog.yhat.com/posts/fuzzy-matching-with-yhat.html和使用fuzzyWuzzy似乎是最好的辦法。