Python实现DataFrame关联：校验多子串匹配目标单词前缀

你这个场景的匹配规则是明确的硬逻辑，完全不需要使用fuzzywuzzy这类模糊匹配库——模糊匹配的阈值权衡问题本身就是因为规则不明确才会出现，直接按你定义的前缀校验规则实现即可，准确率100%，几百条数据规模下没有任何性能压力。

核心匹配规则 #

匹配判定逻辑完全对齐你的需求：

• 所有文本统一转小写，规避大小写差异带来的匹配失败
• 缩写按空格拆分为独立的前缀子串
• 全称按空格拆分为独立单词
• 仅当缩写拆分出的所有前缀子串，都能在全称的单词列表中找到至少一个以该子串为开头的单词时，判定二者匹配成功

按这个规则校验你给出的示例数据：

• dis ijp：所有全称中不存在以ijp为前缀的单词，无匹配
• dis inf：全称Disperzia na koncentrát na infúznu disperziu中，Disperzia前缀匹配dis、infúzna前缀匹配inf，匹配成功
• dis inj：所有全称中不存在以inj为前缀的单词，无匹配
  结果完全符合预期。

实现代码 #

仅依赖pandas，无需安装额外第三方库：

import pandas as pd

def check_match(abbrev: str, full_term: str) -> bool:
    # 预处理：转小写、拆分去空
    abbrev_tokens = [t.strip() for t in abbrev.lower().split() if t.strip()]
    term_words = [w.strip().lower() for w in full_term.split() if w.strip()]
    
    # 逐个子串校验前缀匹配
    for token in abbrev_tokens:
        has_match = any(word.startswith(token) for word in term_words)
        if not has_match:
            return False
    return True

def abbrev_term_match(df1: pd.DataFrame, df2: pd.DataFrame, abbrev_col: str = "abrev", term_col: str = "term") -> pd.DataFrame:
    # 提前取出全称列表减少重复取数开销
    all_terms = df2[term_col].tolist()
    result = df1.copy()
    # 为每个缩写匹配符合规则的全称
    result["matches"] = result[abbrev_col].apply(
        lambda ab: "; ".join([term for term in all_terms if check_match(ab, term)])
    )
    return result

使用方式 #

直接传入两个DataFrame调用即可：

matched_result = abbrev_term_match(df1, df2)

性能说明 #

单条缩写和全称的校验是极轻量的字符串前缀判断，哪怕df1、df2各有1000条数据，总运算量也仅百万次级别的简单操作，毫秒级即可跑完，不存在模糊匹配的错配、漏配问题。如果后续数据量上涨到十万级，可以提前为全称构建前缀索引进一步提速，当前几百条的规模完全不需要额外优化。

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