主页 / 问题 / 1306924
Accepted
Guamokolatokint
Asked:2022-07-20 15:35:09 +0000 UTC2022-07-20 15:35:09 +0000 UTC

Python地址比较

  • 772

试图弄清楚如何比较字符串示例字符串

1. г. Москва, вн.тер.г. муниципальный округ Тверской, ул Кузнецкий Мост, д. 4/3, стр. 1, этаж МАНСАРДНЫЙ, ПОМ. I, ком. 413
2. г. Москва Тверской ул Кузнецкий Мост д. 4/3 стр. 1

3. 105005 г. Москва 2-я Бауманская ул. 5 стр. 1
4. 105005 г. Москва ул. Радио д. 20

如您所见，第 1 行和第 2 行包含基本相同的地址。第 3 行和第 4 行不同。我不知道如何让程序显示地址 1 和 2 相同。我什至不知道从哪里开始......

python

1 个回答

  1. Best Answer
    • 清理任何杂物
    • 使用模糊比较

    作为第一个近似值，它可能如下所示：

    import re
from fuzzywuzzy import fuzz

junk_words = [
r'вн\.тер\.г\.',
'муниципальный округ',
r'этаж \w+',
r'ПОМ\. \w+',
r'ком\. \w+',
r'\,']
junk_re = re.compile('|'.join(f'{w}' for w in junk_words), re.IGNORECASE)

addresses = [
'г. Москва, вн.тер.г. муниципальный округ Тверской, ул Кузнецкий Мост, д. 4/3, стр. 1, этаж МАНСАРДНЫЙ, ПОМ. I, ком. 413',
'г. Москва Тверской ул Кузнецкий Мост д. 4/3 стр. 1',
'105005 г. Москва 2-я Бауманская ул. 5 стр. 1',
'105005 г. Москва ул. Радио д. 20',
]

addr_processed = [junk_re.sub('', addr).strip() for addr in addresses]
print('\n'.join(addr_processed))

for i,w1 in enumerate(addr_processed):
    for j,w2 in enumerate(addr_processed):
        if i >= j:
            continue
        print(i, j, fuzz.ratio(w1.lower(),w2.lower()))

    从不必要的信息中清除的地址：

    г. Москва   Тверской ул Кузнецкий Мост д. 4/3 стр. 1
г. Москва Тверской ул Кузнецкий Мост д. 4/3 стр. 1
105005 г. Москва 2-я Бауманская ул. 5 стр. 1
105005 г. Москва ул. Радио д. 20

    比较结果：

    0 1 98
0 2 52
0 3 45
1 2 51
1 3 46
2 3 63

    通常某处的分数 >95 意味着数据可以被认为是匹配的。在这种情况下，第 1 个和第 2 个地址匹配，其他比较给出非常小的评级。主要问题在于从 85 到 95 的评分，但额外的数据清理/规范化会有所帮助 - 您需要查看算法失败的地方并添加更多数据转换。

    但总的来说，您最终可能会淹没在这些数据转换中。在一般情况下，这是一项相当重要的任务，它可能比乍一看要困难得多。

    • 2

相关问题