在 python 中使用 ECM 记录链接

Question

我正在研究记录链接问题并应用无监督算法，因为我没有外部标签。

我已经应用了 ECM 算法。使用的代码是：

import recordlinkage

indexer = recordlinkage.BlockIndex(on=['FirstName_CD','LastName_CD'])
pairs = indexer.index(data1, data2)

compare_cl = recordlinkage.Compare()

compare_cl.string('FirstName_CD', 'FirstName_CD', method='jarowinkler', threshold=0.50,label='given_name')
compare_cl.string('LastName_CD', 'LastName_CD', method='jarowinkler', threshold=0.50, label='surname')
compare_cl.exact('Date.Of.Birth_CD', 'Date.Of.Birth_CD', label='date_of_birth')
compare_cl.exact('Gender_CD', 'Gender_CD', label='gender')
compare_cl.exact('Profession_CD', 'Profession_CD', label='profession')
compare_cl.string('Address_CD', 'Address_CD', threshold=0.85, label='address_1')

features = compare_cl.compute(pairs,data1)

ecm = recordlinkage.ECMClassifier()
result_ecm=ecm.learn(features)

现在它返回一个多索引。我的问题是我可以从中得出什么推论？如何获取匹配/不匹配信息？

Answer 1

为了让 ECM 分类器在 'compare vectors' 或 'features' 上工作，只需将模型拟合到具有 unique>1 的列上。 p>

这里是python代码：

cl = recordlinkage.ECMClassifier()

compare_vectors=compare_vectors[[col for col in compare_vectors.columns if compare_vectors[col].nunique() >= 2]]

cl.fit(compare_vectors)

Answer 2

ecm.learn() 返回的 MultiIndex 基本上是一堆索引对，是分类器猜测哪些项目匹配。 （注意ecm.learn()已弃用。新函数名称为ecm.fit_predict()。）

我不知道您的数据是什么样的，但这里有一个示例数据集的示例：

from recordlinkage.datasets import load_febrl4

dfA, dfB = load_febrl4()

# Indexation step
indexer = recordlinkage.Index()
indexer.block('given_name')
candidate_links = indexer.index(dfA, dfB)

# Comparison step
compare_cl = recordlinkage.Compare()
compare_cl.string('surname', 'surname', method='jarowinkler', threshold=0.85, label='surname')
compare_cl.exact('date_of_birth', 'date_of_birth', label='date_of_birth')
compare_cl.exact('suburb', 'suburb', label='suburb')
compare_cl.exact('state', 'state', label='state')
compare_cl.string('address_1', 'address_1', threshold=0.85, label='address_1')

features = compare_cl.compute(candidate_links, dfA, dfB)

ecm = recordlinkage.ECMClassifier()
matches = ecm.fit_predict(features)

（请注意，此示例基于 here 文档中的示例。）

matches 对象确实是一个 Pandas MultiIndex。我们可以将其转换为元组列表，以更好地了解其中包含哪些信息。

# Look at the first 5 matches
list(matches)[:5]

[('rec-2371-org', 'rec-2371-dup-0'),
 ('rec-3024-org', 'rec-3024-dup-0'),
 ('rec-4652-org', 'rec-4652-dup-0'),
 ('rec-4795-org', 'rec-4795-dup-0'),
 ('rec-1016-org', 'rec-1016-dup-0')]

这些是dfA 和dfB 数据帧中的索引名称。我们可以查看它们，看看它们实际上是匹配的：

dfA.loc['rec-2371-org'], dfB.loc['rec-2371-dup-0']

 given_name           michaela
 surname              dunstone
 street_number              37
 address_1        deane street
 address_2            rosedown
 suburb              woodcroft
 postcode                 2065
 state                     vic
 date_of_birth        19121018
 soc_sec_id            3166178
 Name: rec-2371-org, dtype: object

 given_name           michaela
 surname              dunstone
 street_number              37
 address_1        deane street
 address_2            rosedlwn
 suburb              woodcroft
 postcode                 2065
 state                     vic
 date_of_birth        19121018
 soc_sec_id            3166178
 Name: rec-2371-dup-0, dtype: object

Answer 3

我也找不到此方法的信息，但据我了解，ecm_learn 返回一个 MultiIndex，它与 indexer.index() 方法返回的 pairs 的数据类型相同。

所以，这就是我使用它的方式（顺便说一句，我可能完全错了！）

import recordlinkage

indexer = recordlinkage.BlockIndex(on=['FirstName_CD','LastName_CD'])
pairs = indexer.index(data1, data2)

compare_cl = recordlinkage.Compare()

compare_cl.string('FirstName_CD', 'FirstName_CD', method='jarowinkler', threshold=0.50,label='given_name')
compare_cl.string('LastName_CD', 'LastName_CD', method='jarowinkler', threshold=0.50, label='surname')
compare_cl.exact('Date.Of.Birth_CD', 'Date.Of.Birth_CD', label='date_of_birth')
compare_cl.exact('Gender_CD', 'Gender_CD', label='gender')
compare_cl.exact('Profession_CD', 'Profession_CD', label='profession')
compare_cl.string('Address_CD', 'Address_CD', threshold=0.85, label='address_1')

features = compare_cl.compute(pairs,data1)

ecm = recordlinkage.ECMClassifier()
result_ecm=ecm.learn(features)

#reprocess the compute() call with the newly adjusted match information
features = compare_cl.compute(result_ecm,data1)

#now, do your stuff..
#...

如果其他人有更多信息，我非常感谢一些反馈。

谢谢！