如何使用Python对DataFrame两列数据实现部分名称匹配比对

方案1：子串包含匹配 #

适用于两份名单名称差异仅为前后缀补充、核心名称完全一致的场景，比如濒危名单名称为「达氏鲟」，自有名单名称为「达氏鲟（成体）」。
代码如下：

import pandas as pd

# 原有读取、重命名逻辑可保留
d1 = pd.read_csv('endangered-fish.csv')
d2 = pd.read_csv('fish.csv')
d1.rename(columns={'Common Name': 'common_name'}, inplace=True)
d2.rename(columns={'name': 'ac_name'}, inplace=True)

# 可选：统一转为小写，避免大小写差异导致匹配失败
# d1['common_name'] = d1['common_name'].str.lower()
# d2['ac_name'] = d2['ac_name'].str.lower()

# 标记自有物种是否在濒危名单中存在部分匹配
d2['is_endangered'] = d2['ac_name'].apply(
    lambda x: d1['common_name'].str.contains(x, na=False).any()
)

# 如需获取匹配到的具体濒危物种名称，可使用下方逻辑
def get_matched_name(ac_name):
    matched = d1[d1['common_name'].str.contains(ac_name, na=False)]['common_name']
    return '、'.join(matched.tolist()) if len(matched) > 0 else ''

d2['matched_endangered_name'] = d2['ac_name'].apply(get_matched_name)

# 导出结果、统计匹配数量
d2.to_csv('fish_endangered_check_result.csv', index=False)
print(d2['is_endangered'].value_counts())

方案2：模糊相似度匹配 #

适用于名称存在拼写误差、语序调整、缩写差异的场景，比如濒危名单名称为「中华白海豚」，自有名单名称为「白海豚（中华）」。
首先安装依赖库：
pip install fuzzywuzzy python-Levenshtein

匹配代码如下：

from fuzzywuzzy import fuzz
import pandas as pd

# 原有读取、重命名逻辑可保留
d1 = pd.read_csv('endangered-fish.csv')
d2 = pd.read_csv('fish.csv')
d1.rename(columns={'Common Name': 'common_name'}, inplace=True)
d2.rename(columns={'name': 'ac_name'}, inplace=True)

# 匹配相似度阈值，范围0-100，数值越高匹配越严格，可根据测试结果调整
SIMILARITY_THRESHOLD = 70

def fuzzy_match(ac_name):
    max_score = 0
    matched_name = ''
    for endan_name in d1['common_name'].dropna():
        # token_set_ratio不受词序、重复词影响，适配别名类匹配场景
        score = fuzz.token_set_ratio(ac_name, endan_name)
        if score > max_score and score >= SIMILARITY_THRESHOLD:
            max_score = score
            matched_name = endan_name
    return pd.Series([max_score >= SIMILARITY_THRESHOLD, matched_name, max_score])

# 新增匹配结果列
d2[['is_endangered', 'matched_endangered_name', 'match_score']] = d2['ac_name'].apply(fuzzy_match)

# 导出结果、统计匹配数量
d2.to_csv('fish_fuzzy_match_result.csv', index=False)
print(d2['is_endangered'].value_counts())

注意事项 #

• 数据量超过1万行时，模糊匹配速度较慢，可先做名称预处理（去除特殊字符、多余空格、统一大小写）减少计算量，或引入多进程加速。
• 相似度阈值可根据实际匹配效果调整：漏匹配多则降低阈值，误匹配多则升高阈值。

内容的提问来源于stack exchange，提问作者user12755836