匹配公司英文名

太久不编程，从编程小学生退化回编程婴儿。以前学习到的一些文本挖掘的理论也忘记了。

 

 

问题：两边公司名的写法可能不同，直接用相似度计算，也不太行。因为最简单的相似度，是按字母算，不太对，准确度不高。复杂一点的算法，要考虑词频，公司名本身就没有几个单词，计算词频没什么意义。（个人意见）

目前思路：把标点符号去掉，一些常用的词缀（如cor，inc）去掉，然后直接精确匹配

本来的词缀是男朋友手动找的，他找了几百个后，我才想到可以通过统计词频的方式，找出没用的词。我以前做过文本挖掘的研究，但是做的特别浅薄，所以一时没想到这个最基础的理论。我最讨厌机械工作和白费工，尤其心疼人做白费机械工，有点内疚。

用到的代码整理一下：

 

import pandas as pd
from string import punctuation #去标点符号

dicts={i:'' for i in punctuation}   #去标点符号要用
punc_table=str.maketrans(dicts)

conm_word=[]
for i in conmlist['conm']:  #conmlist是dataframe
    i=i.translate(punc_table) #所有标点符号去掉
    i = i.upper() #全部变大写
    word=i.split() #分成一个词一个词，结果是list
    conm_word=conm_word+word   #list连到一起

result=pd.value_counts(conm_word)  #统计列表里每个元素出现的频率，也就是词频

　

模糊匹配的代码：

明天再说