模糊身份指纹识别

Question

我有一个包含地址、姓名、IBAN、电子邮件等值的电子表格，我想确定客户上次购买商品的时间。

问题是：有些字段包含拼写错误，有些是故意输入错误的。

在 GitHub 上，https://github.com/seatgeek/fuzzywuzzy、https://github.com/seamusabshere/fuzzy_match 或 https://github.com/atom/fuzzaldrin 等多个库可用于基于单个可比较的列执行模糊搜索。但我想结合多个领域——这听起来像是一个常见的问题，我希望在那里找到现有的解决方案。

您能推荐解决此类问题的方法吗？是否有针对我缺少的此类问题的现有项目？ 所有字段的常规字符串距离通常足够好吗？

Answer 1

我在你的另一个问题中提到了它，但是 dedupe python library does what you want。

基本上，它计算一对行中每个字段之间的距离，然后学习最佳权重以将这些距离组合成一个记录对分数。

Answer 2

到目前为止，我相信http://blog.yhat.com/posts/fuzzy-matching-with-yhat.html 并且使用fuzzyWuzzy 似乎是最好的方法。