如何用fuzzywuzzy清洗Pandas列中的多变体公司名称？

步骤1：安装依赖库 #

先确保安装所需工具库：

pip install pandas fuzzywuzzy python-Levenshtein

步骤2：核心代码实现 #

以下是完整处理逻辑，核心思路是优先用最短的公司名称作为匹配标准，通过模糊匹配将变体名称统一替换：

import pandas as pd
from fuzzywuzzy import process

# 原始数据
company = ['Canopy Growth', 'Canopy Growth Chocolates', 'Canopy growTH', 'Aurora', 'Aurora Drift', 'Aurora Corp', 'Hexo Corp', 'HEXO', 'hexo Inc', 'Pure Sunfarms', 'Pure sunfarms Corp']
df = pd.DataFrame({'company': company})

# 生成候选标准名：去重后按字符长度升序排序，确保最短名称优先作为匹配目标
unique_companies = sorted(df['company'].unique(), key=lambda x: len(x))

# 定义模糊匹配函数，可调整匹配阈值（默认80，分数越高匹配越严格）
def match_standard_name(name, candidates, threshold=80):
    match, score = process.extractOne(name, candidates)
    return match if score >= threshold else name

# 应用函数生成清洗后的列
df['clean_company'] = df['company'].apply(lambda x: match_standard_name(x, unique_companies))

print(df)

代码说明 #

• sorted(..., key=lambda x: len(x))：将唯一名称按长度排序，保证最短的名称被优先选为标准匹配项
• process.extractOne：从候选列表中找出与当前名称相似度最高的结果，返回匹配项和相似度分数
• 阈值threshold：可根据实际名称变体的差异程度调整，比如变体差异大时调低阈值，要求精准匹配时调高
• 若匹配分数低于阈值，默认返回原名称，你也可以根据需求改为标记未匹配等处理方式

运行结果 #

执行后会得到你期望的清洗结果：

内容的提问来源于stack exchange，提问作者Alejandro L