使用string_grouper遇TypeError：输入非纯字符串pandas.Series

问题场景 #

我正在使用string_grouper库的string_matching模块，根据客户个人数据查找可能的重复项，代码如下：

base1=pd.DataFrame(base[['Cliente','registro']])
matches = match_strings(base1['registro'], master_id =base1['Cliente'],ignore_index=True, min_similarity = 0.5,regex=r"[,-./]|\s", tfidf_matrix_dtype=np.float32)

运行时抛出如下错误：

TypeError                                 Traceback (most recent call last)
C:\Users\MXROBL~1\AppData\Local\Temp/ipykernel_1952/2333918413.py in <module>
      2 
      3 # Create all matches:
----> 4 matches = match_strings(base1['registro'], master_id =base1['Cliente'],ignore_index=True, min_similarity = 0.5,regex=r"[,-./]|\s", tfidf_matrix_dtype=np.float32)
~\Anaconda3\lib\site-packages\string_grouper\string_grouper.py in match_strings(master, duplicates, **kwargs)
     67     :return: pandas.Dataframe
     68     """
---> 69     string_grouper = StringGrouper(master, duplicates=duplicates, **kwargs).fit()
     70     return string_grouper.get_matches()
     71 
~\Anaconda3\lib\site-packages\string_grouper\string_grouper.py in __init__(self, master, duplicates, **kwargs)
    126         if not StringGrouper._is_series_of_strings(master) or \
    127                 (duplicates is not None and not StringGrouper._is_series_of_strings(duplicates)):
---> 128             raise TypeError('Input does not consist of pandas.Series containing only Strings')
    129 
    130         self._config: StringGrouperConfig = StringGrouperConfig(**kwargs)
TypeError: Input does not consist of pandas.Series containing only Strings

错误原因 #

报错明确指出，match_strings要求输入的master（此处为base1['registro']）以及master_id对应的Series必须是仅包含字符串类型的pandas Series。你的输入中至少有一个Series存在非字符串类型的数据（比如数字、空值、混合类型等）。

解决步骤 #

• 检查数据类型与内容
  先确认两个Series的数据类型，定位非字符串数据：

  # 查看各列数据类型
  print(base1.dtypes)
  # 找出registro列中非字符串的行
  print(base1[~base1['registro'].apply(lambda x: isinstance(x, str))])
  # 找出Cliente列中非字符串的行
  print(base1[~base1['Cliente'].apply(lambda x: isinstance(x, str))])
  

• 强制转换为字符串并处理空值
  将两个Series统一转换为字符串类型，同时替换转换后出现的"nan"字符串（避免原空值干扰匹配）：

  base1['registro'] = base1['registro'].astype(str).replace('nan', '')
  base1['Cliente'] = base1['Cliente'].astype(str).replace('nan', '')
  

• 过滤无效空字符串（可选）
  如果转换后存在空字符串，可过滤掉这些行提升匹配质量：

  base1 = base1[(base1['registro'] != '') & (base1['Cliente'] != '')]
  

• 重新执行匹配代码
  完成上述处理后，再次运行原匹配逻辑即可：

  matches = match_strings(base1['registro'], master_id =base1['Cliente'],ignore_index=True, min_similarity = 0.5,regex=r"[,-./]|\s", tfidf_matrix_dtype=np.float32)
  

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