如何用Python Pandas与Difflib计算DataFrame字符串匹配相似度百分比？

错误原因分析 #

1. Attribute Error：字符串对象无ratio属性
   difflib.get_close_matches()返回的是匹配的字符串列表，不是SequenceMatcher对象，无法直接调用ratio()方法。要计算相似度，需用SequenceMatcher直接对比单个字符串对。

2. Series对象无lower属性
   Pandas的Series没有全局lower()方法，必须用str.lower()访问器对列中每个元素单独转小写。

3. 整列重复最佳匹配结果
   get_close_matches()是从整个Series中筛选与目标字符串最匹配的结果，并非逐行计算。要实现逐行评估，需用apply()遍历每行数据。

修正后的代码 #

import difflib
import pandas as pd

# 读取Excel表格
df = pd.read_excel('Filename.xlsx')

# 目标字符串统一转小写
target_str = 'This is my test question?'.lower()

# 定义相似度计算函数
def calculate_match_score(row_str):
    # 确保每行内容转为字符串并小写，兼容非字符串类型数据
    matcher = difflib.SequenceMatcher(None, target_str, str(row_str).lower())
    # 返回百分比形式得分，保留两位小数
    return round(matcher.ratio() * 100, 2)

# 逐行计算匹配得分，生成新列
df['Match_percent'] = df['questions'].apply(calculate_match_score)

代码说明 #

• 先将目标字符串转小写，消除大小写对相似度判断的干扰。
• 用str(row_str).lower()处理每行数据，避免Excel中可能存在的非字符串类型引发报错。
• SequenceMatcher.ratio()返回0-1的相似度值，乘以100转为百分比，round()控制小数位数。
• apply()遍历questions列的每个元素，传入自定义函数逐行计算得分。

内容的提问来源于stack exchange，提问作者Arthur D. Howland