在两个不同的公司数据集之间映射实体

Question

我有几个包含公司数据的数据集： - entity_structure（列：entity_id、parent_entity_id、ultimate_parent_id） - entity_addresses（列：address_id、entity_id、location_city、state、postal_code、zip、street...） - 供应商（列：vendor_id、parent_vendor_id、top_vendor_id、cnt_children、orgtype_id、geo_id、姓名、电子邮件……） - 地理（列：geo_id、邮政编码、is_primary、纬度、经度、海拔、状态……） - entity_coverage (entity_id、name、proper_name、sic_code、industry_code、sector_code、iso, ...)

我需要在数据集之间自动映射实体，例如，一个数据集中可能有一家名为“Google”的公司，而另一个数据集中可能有一家名为“Google 123”的公司。我需要能够以足够高的信心确定这些是相同的实体。在大多数情况下，数据不共享唯一键。在大多数情况下，数据不共享唯一键。

命名实体链接是这里最好的方法吗？有没有关于如何解决这个问题的 Python 示例？

Answer 1

根据您的示例，Levenshtein Distance 可能会有所帮助。