如何在Python中使用类似vlookup功能查询DataFrame中的文本数据

你需要实现的是基于不全企业名称，在全量数据集中检索匹配对应企业的功能，需求示例如下：

下面分两种常见匹配场景给出实现方案：

1. 精确子串匹配 #

适用于你手里的不全名称是对应完整企业名称的连续准确子串，没有错别字、语序错乱问题，直接用pandas即可实现：
首先安装依赖：pip install pandas openpyxl
实现代码：

import pandas as pd

# 1. 读取数据：替换为你自己的文件路径和列名
df_partial = pd.read_excel("待匹配企业列表.xlsx", usecols=["不全企业名称"])
df_full = pd.read_excel("全量企业数据集.xlsx", usecols=["完整企业名称"])

# 2. 匹配判断：返回是否存在，以及所有匹配到的完整企业名称
def match_enterprise(partial_name):
    matches = df_full["完整企业名称"][df_full["完整企业名称"].str.contains(partial_name, na=False)]
    if matches.empty:
        return "否", ""
    else:
        return "是", "、".join(matches.tolist())

df_partial[["是否存在于数据集", "匹配到的完整名称"]] = df_partial["不全企业名称"].apply(
    lambda x: pd.Series(match_enterprise(x))
)

# 3. 导出结果
df_partial.to_excel("匹配结果.xlsx", index=False)

2. 模糊相似度匹配 #

适用于不全名称有错别字、缺字漏字、语序调整的情况，基于文本相似度算法匹配，需要安装fuzzywuzzy库：
安装依赖：pip install fuzzywuzzy python-Levenshtein pandas openpyxl
实现代码：

import pandas as pd
from fuzzywuzzy import fuzz

# 可自定义相似度阈值，范围0-100，分数越高匹配精度越高
SIMILARITY_THRESHOLD = 80

# 1. 读取数据
df_partial = pd.read_excel("待匹配企业列表.xlsx", usecols=["不全企业名称"])
df_full = pd.read_excel("全量企业数据集.xlsx", usecols=["完整企业名称"])
full_name_list = df_full["完整企业名称"].tolist()

# 2. 模糊匹配
def fuzzy_match_enterprise(partial_name):
    match_res = []
    for full_name in full_name_list:
        score = fuzz.partial_ratio(partial_name, full_name)
        if score >= SIMILARITY_THRESHOLD:
            match_res.append(f"{full_name}（相似度{score}）")
    if not match_res:
        return "否", ""
    else:
        return "是", "、".join(match_res)

df_partial[["是否存在于数据集", "匹配到的完整名称"]] = df_partial["不全企业名称"].apply(
    lambda x: pd.Series(fuzzy_match_enterprise(x))
)

# 3. 导出结果
df_partial.to_excel("模糊匹配结果.xlsx", index=False)

注意事项 #

• 全量数据集较大（超过10万条）时，可以先对全量企业名称做分词索引优化匹配速度
• 可根据实际匹配结果调整相似度阈值，平衡匹配准确率和召回率

内容的提问来源于stack exchange，提问作者Domec