我有一個 excel 文件，其中一列包含 1000 多個公司名稱，另一列包含大約 20,000 個公司名稱。目標是匹配盡可能多的名稱。問題是第一列(1000+)中的名稱格式不正確，這意味著“公司名稱”字符串可能類似于“9Com(panynAm9e00”。我正在嘗試找出解決此問題的最佳方法。（僅12 個名字完全匹配）在嘗試了不同的方法后，我最終嘗試使用正則表達式匹配每個名稱中的 4-5 個或更多字符，具體取決于每個字符串的長度。但我只是在努力尋找最有效的方法來做到這一點。例如：第 1 欄 1. 9Com(panynAm9e00 2. NikE4 3. Mitrosof2第 2 欄 1. Microsoft 2. Company Name 3. Nike取第1 列中的第一個元素并在第 2 列中查找匹配項。如果沒有完全匹配，則查找具有 4-5 個相同字符的字符串。有什么建議么？
2 回答
SMILET
TA貢獻1796條經驗 獲得超4個贊
我想數字在實際公司名稱中并不是很常見，因此初始過濾步驟將極大地幫助前進，但這里有一個實現，即使沒有這個也應該可以相對良好地工作。一個信袋（bag-of-words）方法，如果你愿意：
將所有內容（第 1 列和第 2 列）轉換為小寫
對于第 2 列中的每個已知公司，存儲每個唯一字母以及它在字典中出現的次數（計數）
對第 1 列中的每個條目執行相同操作（步驟 2）
對于第 1 列中的每個條目，從真實公司名稱列表中找到最接近的信袋（步驟 2 中的字典）
字典距離的實現取決于你。
添加回答
舉報
0/150
提交
取消