### 使用 Pandas 实现 Excel 数据中的模糊匹配 为了实现在 Excel 或 Pandas 中进行模糊匹配以筛选出大约一半内容相同的单元格，可以采用 `fuzzywuzzy` 库来计算字符串之间的相似度得分。当得分为 50 左右时，则认为两个字符串约有一半相同。 #### 安装依赖库 首先需要安装必要的 Python 库： ```bash pip install pandas openpyxl fuzzywuzzy python-Levenshtein ``` #### 导入所需模块并读取数据 接着定义函数用于加载 Excel 文件，并准备待比较的数据集[^3]。 ```python import pandas as pd from fuzzywuzzy import fuzz def load_data(file_path, sheet_name='Sheet1'): """Load data from an Excel file into a DataFrame.""" return pd.read_excel(file_path, sheet_name=sheet_name) df1 = load_data('path/to/first/excel/file.xlsx') df2 = load_data('path/to/second/excel/file.xlsx') ``` #### 创建模糊匹配辅助函数 编写一个帮助函数来进行两列间的逐行对比，并返回满足特定阈值的结果列表[^4]。 ```python def find_similar_rows(df_left, df_right, column_name, similarity_threshold=50): """ Find rows with similar values between two DataFrames based on Levenshtein distance. Args: df_left (pd.DataFrame): Left DataFrame to compare. df_right (pd.DataFrame): Right DataFrame to compare against the left one. column_name (str): Column name containing text strings for comparison. similarity_threshold (int): Minimum ratio of string similarity required. Returns: list[tuple]: List of tuples where each tuple contains matching row indices and their similarity score. """ matches = [] for idx_l, value_l in enumerate(df_left[column_name]): max_ratio = 0 match_idx_r = None for idx_r, value_r in enumerate(df_right[column_name]): current_ratio = fuzz.ratio(str(value_l).lower(), str(value_r).lower()) if current_ratio >= similarity_threshold and current_ratio > max_ratio: max_ratio = current_ratio match_idx_r = idx_r if match_idx_r is not None: matches.append(((idx_l, match_idx_r), max_ratio)) return matches ``` #### 执行模糊匹配操作 调用上述创建的帮助函数执行实际的模糊匹配过程，并展示部分结果示例。 ```python matches = find_similar_rows(df1, df2, 'YourColumnNameHere') for ((left_index, right_index), sim_score) in matches[:5]: print(f"Row {left_index} vs Row {right_index}: Similarity Score={sim_score}") ``` 此方法能够有效地找出那些具有一定程度相似性的记录对，从而达到模糊筛选的目的。对于更复杂的场景还可以调整参数或引入其他自然语言处理技术进一步优化效果。