如何实现DataFrame两列文本逐行相似度计算并解决调用报错

报错根因 #

compare() 仅支持单次传入两个独立字符串作为入参，不支持直接接收Pandas Series（整列数据）作为输入，你之前的两种调用方式都没有完成逐行匹配两个入参的逻辑，因此触发参数缺失报错。

实现方法 #

方法1：通过apply逐行处理（写法简单） #

需要指定axis=1按行遍历DataFrame，每一行分别取出两列的文本传入compare()，示例代码如下：

# 此处替换为你实际使用的compare函数实例化/导入逻辑
from sentence_similarity import sentence_similarity
sim_model = sentence_similarity()

# 逐行计算相似度，写入新列
df['similarity_score'] = df.apply(
    lambda row: sim_model.compare(row['OriginalTxt'], row['SummarizedTxt']),
    axis=1
)

如果使用Levenshtein工具，写法逻辑完全一致，只需替换sim_model.compare为对应Levenshtein相似度计算函数即可。

方法2：通过列表推导式实现（执行效率更高） #

对于100行的小数据量，两种方法性能差异不大，列表推导式普遍比apply执行速度更快，写法如下：

# 提前过滤空值避免计算报错
df = df.dropna(subset=['OriginalTxt', 'SummarizedTxt']).reset_index(drop=True)

df['similarity_score'] = [
    sim_model.compare(txt1, txt2) 
    for txt1, txt2 in zip(df['OriginalTxt'], df['SummarizedTxt'])
]

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