计算DataFrame两列字符串的Levenshtein距离报错求助

问题场景 #

需计算含约4000行数据的DataFrame中，"Source1"与"Source2"列字符串的Levenshtein距离，原代码运行触发如下错误：

TypeError: 'module' object is not callable

原代码片段：

#import packages
import pandas as pd
import pyodbc
import Levenshtein as lev
import numpy as np

#Read excel file
df = pd.read_excel(xxx)
df.head(10)

#define arrays
a = df.Source1.to_numpy()
b = df.Source2.to_numpy()

#calculate Levenshtein distance between two arrays
for i,k in zip(a, b):
  print(lev(i, k))

错误原因 #

直接调用了Levenshtein模块对象（lev(i,k)），但该模块本身不可直接调用，必须使用模块提供的distance方法执行距离计算。

修正方案 #

将lev(i, k)替换为lev.distance(i, k)。针对4000行数据，推荐用pandas的apply方法替代手动循环，代码更简洁高效：

修正后的代码 #

#import packages
import pandas as pd
import Levenshtein as lev

#Read excel file
df = pd.read_excel(xxx)

# 计算Levenshtein距离并生成新列
df['levenshtein_distance'] = df.apply(lambda row: lev.distance(row['Source1'], row['Source2']), axis=1)

# 查看结果
print(df[['Source1', 'Source2', 'levenshtein_distance']].head(10))

说明 #

• apply方法可直接对DataFrame每行操作，避免手动循环的冗余代码，性能更适配批量数据
• 新增的levenshtein_distance列会存储每行两列字符串的距离结果，便于后续分析

内容的提问来源于stack exchange，提问作者Pauli du Plooy