Python-使用Magellan进行数据匹配总结

　　参考：http://www.biggorilla.org/zh-hans/walkt/

　　　　使用Magellan进行数据匹配过程如下：

　　　　假设有两个数据源为A和B，

A共有四列数据：（A_Column1，A_Column2，A_Column3，A_Column4）

　　　　B共有五列数据： (B_Column1，B_Column2，B_Column3，B_Column4，B_Column5)

　　　　假设A_Column1和B_Column1是相关的，而A_Column2和B_Column2相关的

　　　　1、首先建立合并列表

　　　　　　分别在A和B数据中建立一个混合列mixture

　　　　　　在A中 mixture = A_Column1 + A_Column2 就是把 A_Column1 和 A_Column2两列的数据合并到mixture列里面，

　　　　　　同理，在B中 mixture = B_Column1+ B_Column2

　　　　2、寻找一个候选集

　　　　　　这个过程就是使用重叠系数连接两个表，我们可以使用混合列创建所需的候选集（我们称之为C）。

　　　　　　注意：这个过程中threshold这个参数代码这要C这个集合中要创建一列_sim_score ，表示相似度分数，如何经过匹配_sim_score 的数据小于0.65，那么就是不合格的，说白了就是相识度很小，

　　　　threshold这个设置的过多大，导致可能C的集合很小，值越大代表数据相识度越大，threshold最大值是1，代表匹配数据完全一样，值越小代表数据相识度越小，如果所有数据的匹配结果都小于threshold的值，那么

　　　　C就是空集合，因此这个值要根据选择的匹配列数进行设置。

　　　　3、指定要素

　　　　　　就是指定在py_entitymatching程序包中哪些列对应于各个数据帧中的要素

　　　　4、拦截工具故障排除

　　　　　　确保候选集足够松动，能够容纳并不十分接近的电影配对。如果不是这样，那么可能我们已经清除了可能潜在匹配的配对

　　　　5、从候选集采样

　　　　　　目标是从候选集中获取一个样本，并手动标记抽样候选者；也就是指定候选配对是否是正确的匹配。

　　　　　　要在导出的labeled.csv文件中增加一个label列，根据_sim_score列的数据和实际数据情况，来人为的判断是否是正确的匹配，如果是则在label列中填入数值1，否则，填入数值0

　　　　　　注意：这个label.csv数据集合实际上作为下面机器学习一个训练集，因此这个label列数据之间影响下面机器学习的效果。

　　　　　6、机器学习算法训练

　　　　　　下面用了几种机器学习算法

　　　　　　　　在应用任何机器学习方法之前，我们需要抽取一组功能。幸运地是，一旦我们指定两个数据集中的哪些列相互对应，py_entitymatching程序包就可以自动抽取一组功能。指定两个数据集的列之间的对应性，

　　　　　　将启动以下代码片段。然后，它使用py_entitymatching程序包确定各列的类型。通过考虑（变量l_attr_types和r_attr_types中存储的）各个数据集中列的类型，并使用软件包推荐的编译器和类似功能，我们可以抽取一组

　　　　　　用于抽取功能的说明。请注意，变量F并非所抽取功能的集合，相反，它会对说明编码以处理功能。

　　　　　　考虑所需功能的集合F，现在我们可以计算训练数据的功能值，并找出我们数据中丢失数值的原因。在这种情况下，我们选择将丢失值替换为列的平均值。

　　　　　　使用计算的功能，我们可以评估不同机器学习算法的性能，并为我们的匹配任务选择最佳的算法。

　　　　7、评估匹配质量

　　　　　　评估匹配质量非常重要。可以针对此目的使用训练集，并衡量随机森林预测匹配的质量。我们可以发现，我们获得最高精确性，并且能够重现测试集。

　　　　8、使用训练的模型匹配数据集

　　　　　　使用训练的模型对两个标记进行如下匹配

　　　　　　请注意，匹配数据帧包含了很多存储数据集抽取功能的列。以下代码片段移除了所有非必要的列，并创建一个格式良好的拥有最终形成的整合数据集的数据帧。