怎么通过python模糊匹配算法对两个excel表格内容归类

在实习的时候，需要将两个表格的内容进行匹配分类，比如两个不同的工程项目针对的对象都是A，那么就需要将这两个工程项目归类到A当中，而这当中的工程项目和施工对象数量都还挺多的，因此想着写个程序来自动将它们归类起来，这样可以减少很大一部分的工作量。

由于两个表格中拥有相似的关键词，即一个表格的内容形式为为A工程项目，另一个表格的内容形式为A单位，那么我就需要将其中的“A”这个关键词相匹配就能够筛选出来了。在此问题中，我采用了模糊匹配算法来实现目标，而这个算法并非唯一的可行方案。

注：这里我们导入了difflib库，用于使用模糊匹配算法；xlwt库，用于导出excel表格

首先我们导入两个需要处理的excel表格。

df1=pd.read_excel(r'D:\杂货\项目.xlsx',sheet_name='Sheet1')
df2=pd.read_excel(r'D:\杂货\项目2.xlsx',sheet_name='Sheet1')#导入两个需要处理的excel表格

两个表格的内容形式大致如上。而我的需求是将这两个表格相关的工程项目匹配归类。

再将我们所要处理的两列数据放入一个列表当中。

for i in df1['XXXXXX改造']:#将这两列的数据存入list1和list2两个列表中
    list1.append(i)
for j in df2['XXXXXX新改']:
    list2.append(j)

通过模糊匹配算法，将list2中的数据内容与list1中的数据内容一一匹配。

for n in range(len(list2)):#通过模糊匹配算法，将list2与list1中的数据一一匹配，设置近似度为42%，得到匹配结果res
    query_word=str(list2[n])
    res=difflib.get_close_matches(query_word,list1,1,cutoff=0.42)
    res = "".join(res)
    listx.append(res)

需要注意的是，该处调用了difflib库中的get_close_matches(query_word,list1,n,cutoff)方法，其中的query_word为被匹配的字符串；list1为要匹配的字符串列表；n为前topn个最佳匹配反回，我将其设置为1；cutoff为匹配度大小，为[0,1]的浮点数，也可以称为两者的相似程度，这个就看个人需求和具体问题来设置，我将其相似程度设置为0.42则恰好能够将我所需要匹配的两个表格的内容都匹配成功。

由于res匹配出来的每一个结果都是是列表的形式，而我们想要将结果写入新的表格当中需要字符串形式的结果，因此使用res=””.join(res)方法将列表转换为字符串的形式，然后将字符串形式的结果放入listx列表当中，以便于写入新的excel表格。

由于担心会存在匹配结果遗漏的情况出现，因此我又将list1中的数据内容与list2中的数据内容一一匹配。

for m in range(len(list1)):#同上，将list1与list2的数据一一匹配
    query_word=str(list1[m])
    res=difflib.get_close_matches(query_word,list2,1,cutoff=0.42)
    res="".join(res)
    listy.append(res)

这时我将被匹配的字符串设置为list1中的字符串，要匹配的字符串列表设置为list2，其他参数一样，相当于说我先用表格1去匹配表格2，再用表格2去匹配表格1，这样就能够较好地解决遗漏的问题。

最后设置好新的excel表格的参数

workbook=xlwt.Workbook(encoding='utf-8')#设定好新的excel表格的参数
worksheet=workbook.add_sheet('test_sheet')
worksheet.write(0,0,label='XXX改造')#从第0行第0列开始输入标签为XXX改造的数据
worksheet.write(0,1,label='XX金额')#从第0行第1列开始输入标签为XX金额的数据
worksheet.write(0,2,label='XXX新改')
worksheet.write(0,3,label='XX金额')
worksheet.write(0,4,label='已XXX金额')
 
for i in range(len(listx)):#写入运算出来的数据
    worksheet.write(i+1,0,label=listx[i])
for j in range(len(listy)):
    worksheet.write(j+1,2,label=listy[j])
for k in range(len(list1)):
    worksheet.write(k+1,1,label=list3[k])
for l in range(len(list2)):
    worksheet.write(l+1,3,label=list4[l])
    worksheet.write(l+1,4,label=list5[l])
workbook.save(r'D:\杂货\新项目6.xls')#导出excel表格

这里使用的向excel表格中写入数据内容的方法就不过多介绍，对于有一定处理excel经验的人能够很容易理解代码的含义。

最后输出的表格形式如下：

通过两遍匹配，两者相互匹配度都高的则会出对应地出现在表格中，而只有单一匹配度高的，则出现了左边有数据右边没有数据，或者右边有数据左边没有数据的情况。

import pandas as pd
import difflib
import xlwt#导入库
 
df1=pd.read_excel(r'D:\杂货\项目.xlsx',sheet_name='Sheet1')
df2=pd.read_excel(r'D:\杂货\项目2.xlsx',sheet_name='Sheet1')#导入两个需要处理的excel表格
 
list1=[]#设置空列表，用于存储2017年一列的数据
list2=[]#用于存储2018年一列的数据
list3=list(df1['XX金额'])#将excel表格中的列数据列表化
list4=list(df2['XX金额'])
list5=list(df2['XXX金额'])
listx=[]#用于存储匹配结果的数据
listy=[]#同上
for i in df1['XXXXXXXXX改造']:#将这两列的数据存入list1和list2两个列表中
    list1.append(i)
for j in df2['XXXXXXXXXXXXX新改']:
    list2.append(j)
 
for n in range(len(list2)):#通过模糊匹配算法，将list2与list1中的数据一一匹配，设置近似度为42%，得到匹配结果res
    query_word=str(list2[n])
    res=difflib.get_close_matches(query_word,list1,1,cutoff=0.42)
    res = "".join(res)
    listx.append(res)
 
for m in range(len(list1)):#同上，将list1与list2的数据一一匹配
    query_word=str(list1[m])
    res=difflib.get_close_matches(query_word,list2,1,cutoff=0.42)
    res="".join(res)
    listy.append(res)
 
workbook=xlwt.Workbook(encoding='utf-8')#设定好新的excel表格的参数
worksheet=workbook.add_sheet('test_sheet')
worksheet.write(0,0,label='XXXXXXXXX改造')
worksheet.write(0,1,label='XX金额')
worksheet.write(0,2,label='XXXXXXXXXXX新改')
worksheet.write(0,3,label='XX金额')
worksheet.write(0,4,label='XXX金额')
 
for i in range(len(listx)):#写入运算出来的数据
    worksheet.write(i+1,0,label=listx[i])
for j in range(len(listy)):
    worksheet.write(j+1,2,label=listy[j])
for k in range(len(list1)):
    worksheet.write(k+1,1,label=list3[k])
for l in range(len(list2)):
    worksheet.write(l+1,3,label=list4[l])
    worksheet.write(l+1,4,label=list5[l])
workbook.save(r'D:\杂货\新项目6.xls')#导出excel表格