如何用FuzzyWuzzy在Python中匹配合并含相似姓名的Excel数据集

针对姓名存在标点、拼写、空格不一致的情况，核心思路是先标准化所有数据集的姓名列，生成统一的匹配键，再进行合并。以下是两种最优实现方案，根据你的实际场景选择：

方案一：固定变体映射（适合已知姓名差异） #

如果姓名的差异是可预见的固定变体（比如缩写、拼写错误、标点差异），直接用字典映射+清洗的方式，速度快且匹配精准。

步骤1：读取并准备数据 #

import pandas as pd

# 示例数据，实际替换为pd.read_excel('你的文件路径.xlsx')
df_age = pd.DataFrame({
    'NAME': ['Jason Kai', 'George Jameson', 'Michael C. Henry', 'Max Jones', 'Tom Reyes'],
    'Age': [15, 22, 21, 61, 46]
})

df_gender = pd.DataFrame({
    'NAME': ['Jason K.', 'George Jamson', 'Michael  Henry', 'Max Jones', 'Tom Reyes,'],
    'Gender': ['M', 'M', 'M', 'M', 'M']
})

df_height = pd.DataFrame({
    'NAME': ['Jason Ka', 'George Jameson', 'Michael Henry', 'M. Jones', 'Tom Reyes,'],
    'Height(inch)': [76, 65, 68, 60, 80]
})

步骤2：定义姓名标准化函数 #

def standardize_name(name):
    # 1. 去除标点、首尾空格
    cleaned = name.replace('.', '').replace(',', '').strip()
    # 2. 合并多个连续空格为单个空格
    cleaned = ' '.join(cleaned.split())
    # 3. 映射已知的姓名变体到标准姓名
    variant_map = {
        'Jason K': 'Jason Kai',
        'Jason Ka': 'Jason Kai',
        'George Jamson': 'George Jameson',
        'Michael Henry': 'Michael C. Henry',
        'M Jones': 'Max Jones'
    }
    # 返回标准化结果，无匹配则返回清洗后的姓名
    return variant_map.get(cleaned, cleaned)

步骤3：生成匹配键并合并 #

# 给每个数据集添加标准化姓名列
df_age['standard_name'] = df_age['NAME'].apply(standardize_name)
df_gender['standard_name'] = df_gender['NAME'].apply(standardize_name)
df_height['standard_name'] = df_height['NAME'].apply(standardize_name)

# 基于标准化列合并，保留df_age的原始姓名作为最终展示
merged = pd.merge(df_age, df_gender, on='standard_name', how='left')
merged = pd.merge(merged, df_height, on='standard_name', how='left')

# 整理最终列
final_df = merged[['NAME_x', 'Age', 'Gender', 'Height(inch)']].rename(columns={'NAME_x': 'NAME'})
print(final_df)

输出结果完全符合你的需求：

NAME  Age Gender  Height(inch)
0       Jason Kai   15      M            76
1  George Jameson   22      M            65
2  Michael C. Henry   21      M            68
3       Max Jones   61      M            60
4       Tom Reyes   46      M            80

方案二：模糊匹配（适合未知/大量变体） #

如果姓名差异不可预见、变体数量多，使用模糊匹配库fuzzywuzzy自动匹配相似度高的姓名，灵活性更强。

步骤1：安装依赖 #

pip install fuzzywuzzy python-Levenshtein

步骤2：定义模糊匹配函数 #

from fuzzywuzzy import process

# 以第一个数据集的姓名为标准库，匹配相似度≥80的姓名（可调整阈值）
def match_standard_name(name, standard_names):
    best_match, score = process.extractOne(name, standard_names)
    return best_match if score >= 80 else name

# 提取标准姓名列表
standard_names = df_age['NAME'].tolist()

步骤3：生成匹配键并合并 #

df_gender['standard_name'] = df_gender['NAME'].apply(lambda x: match_standard_name(x, standard_names))
df_height['standard_name'] = df_height['NAME'].apply(lambda x: match_standard_name(x, standard_names))

# 后续合并步骤和方案一一致
merged = pd.merge(df_age, df_gender, on='standard_name', how='left')
merged = pd.merge(merged, df_height, on='standard_name', how='left')
final_df = merged[['NAME_x', 'Age', 'Gender', 'Height(inch)']].rename(columns={'NAME_x': 'NAME'})

方案选择建议 #

• 优先用方案一：当你能枚举大部分姓名变体时，匹配准确率100%，运行速度快。
• 用方案二：当姓名变体复杂且无法提前枚举时，牺牲一点性能换灵活性，注意调整相似度阈值（一般80-90比较合适）。

内容的提问来源于stack exchange，提问作者Jason Jiang