使用rapidfuzz计算DataFrame两列Levenshtein距离报KeyError如何解决

现有分号分隔的CSV文件，原始内容如下：

ID; name1; name2
1; John Doe; John Does
2; Mike Johnson; Mike Jonson
3; Leon Mill; Leon Miller
4; Jack Jo; Jack Joe

需求为逐行计算name1与name2字段的Levenshtein距离，将结果存入新增的ld列，预期输出格式：

ID; name1; name2;ld
1; John Doe; John Does;1
2; Mike Johnson; Mike Jonson;1
3; Leon Mill; Leon Miller;2
4; Jack Jo; Jack Joe;1

编写的初始实现代码如下：

from rapidfuzz.distance import Levenshtein
import pandas as pd

df = pd.read_csv(r'C:\Users\myuser\Downloads\Testfile.csv', sep=";")
print(df)

df['ld']=df.apply(lambda x: Levenshtein.distance(df['name1'], df['name2']), axis=1)

运行代码后触发报错：KeyError: 'name1'

代码一共存在两个问题，其中第一个直接触发了KeyError：

• 列名读取带前置空格：原始CSV的分隔符;后紧跟空格，读取时仅指定sep=";"会把分隔符后的空格计入列名，实际生成的列名是 name1、 name2（开头带空格），直接访问df['name1']找不到对应列，就会抛出键错误。
• apply逻辑写法错误：指定axis=1时，lambda接收的参数x是当前行的Series对象，代码中没有从行对象取值，反而把整个DataFrame的两列全量数据传入距离计算函数，就算修复列名问题，也无法得到逐行计算的正确结果。

1. 先处理列名空格问题，二选一即可：
   • 读取文件时增加skipinitialspace=True参数，自动跳过分隔符后的前置空格，直接得到干净的列名：

     df = pd.read_csv(r'C:\Users\myuser\Downloads\Testfile.csv', sep=";", skipinitialspace=True)
     

   • 读取完成后批量给所有列名去除首尾空格：

     df.columns = df.columns.str.strip()
     

2. 修正逐行计算的取值逻辑，从行对象中获取对应字段的值：

   df['ld'] = df.apply(lambda x: Levenshtein.distance(x['name1'], x['name2']), axis=1)
   

性能提示：如果处理的数据集量级较大，逐行apply的循环效率偏低，可以改用列表推导式直接对两列做逐对计算，速度会有明显提升：

df['ld'] = [Levenshtein.distance(a, b) for a, b in zip(df['name1'], df['name2'])]

计算完成后如果需要导出和原格式一致的分号分隔文件，可以使用如下命令：

df.to_csv('result.csv', sep=";", index=False)

内容的提问来源于stack exchange，提问作者PSt