为基于余弦相似度匹配的公司名组合分配跨列统一组号

这个问题本质是连通组件识别：所有直接/间接匹配的公司应归为同一组，不能仅依赖单一列分组。以下是具体实现方案，附样本数据与对应输出。

样本输入数据 #

| item1       | item2         | similarity |
|-------------|---------------|------------|
| 科技有限公司A | 科技A有限公司 | 0.95       |
| 科技A有限公司 | 科技有限A公司 | 0.92       |
| 商贸有限公司B | 商贸B有限公司 | 0.98       |
| 科技有限公司A | 科技有限A公司 | 0.90       |
| 制造有限公司C | 制造C有限公司 | 0.96       |

期望输出数据 #

| item1       | item2         | similarity | group_id |
|-------------|---------------|------------|----------|
| 科技有限公司A | 科技A有限公司 | 0.95       | 1        |
| 科技A有限公司 | 科技有限A公司 | 0.92       | 1        |
| 商贸有限公司B | 商贸B有限公司 | 0.98       | 2        |
| 科技有限公司A | 科技有限A公司 | 0.90       | 1        |
| 制造有限公司C | 制造C有限公司 | 0.96       | 3        |

R 实现方案 #

使用igraph包处理连通组件，自动关联所有匹配的公司：

1. 安装并加载依赖包

install.packages("igraph")
library(igraph)
library(dplyr)

2. 生成全局组号

# 假设你的数据框名为df
# 提取所有唯一公司节点
nodes <- unique(c(df$item1, df$item2))
# 构建匹配关系的边列表
edges <- df %>% select(item1, item2)
# 创建无向图
g <- graph_from_data_frame(d = edges, vertices = nodes, directed = FALSE)
# 获取每个节点的连通组件ID
component_ids <- membership(clusters(g))
# 将组号映射回原数据框
df$group_id <- component_ids[match(df$item1, names(component_ids))]

Python 实现方案 #

使用networkx包处理连通组件：

1. 安装并导入依赖包

pip install networkx pandas
import networkx as nx
import pandas as pd

2. 生成全局组号

# 假设你的数据框名为df
# 创建无向图，构建匹配关系
G = nx.from_pandas_edgelist(df, source='item1', target='item2', create_using=nx.Graph())
# 遍历所有连通组件，分配组号
group_mapping = {}
current_group = 1
for component in nx.connected_components(G):
    for node in component:
        group_mapping[node] = current_group
    current_group += 1
# 为原数据框添加组号列
df['group_id'] = df['item1'].map(group_mapping)

方案说明 #

两种方案均基于图论的连通组件逻辑：所有直接/间接匹配的公司会被归为同一连通组，无论它出现在item1还是item2列，彻底解决单一列分组的覆盖不全问题。

内容的提问来源于stack exchange，提问作者Barndog34