ジャロウィンクラー距離によるデータ抽出 pythonとexcelの連動

Question

前提・実現したいこと

氏名住所等が記載されている２つのデータベースがあり、
両方とも英字で表記されています。

２つのデータベースに記載されている人物について、住所氏名が一致し、
同一人物かどうかを判定したいのですが、それぞれのデータベースで表記の揺らぎが
あります。（例：ヨシダ ショウタロウの場合→Yoshida Shotaro と Yoshida Syoutaro）

そこで、表記が異なっても、同姓同名、同一住所であると判定するため、
pythonでジャロウィンクラー距離を使って類似度を出したうえで、
氏名・住所が一定の類似度以上のものを抽出したいと考えています。

現在データベースはエクセルデータとして保存されており、総データ数は数十万件あります。
エクセルデータからpythonのジャロウィンクラー距離を使用して類似度を判定し、
判定した類似度をエクセルデータに自動で入力し、数十万件のデータから氏名住所の類似度が一定以上
のものだけを抽出できればと思っております。

pythonはダウンロードし、pythonのidle上ではジャロウィンクラー距離の処理ができる状態ですが、
エクセルとの連動させて処理する方法がわかりません。

どなたかお教えいただけませんでしょうか。
よろしくお願いいたします。

発生している問題・エラーメッセージ

エラーメッセージ

該当のソースコード

ソースコード

試したこと

pythonのidle上では下記のように記述し、類似度が出せています。

import Levenshtein
print (Levenshtein.jaro("Yoshida Shotaro", "Yoshida Syoutaro"))

0.9361111111111112

補足情報（FW/ツールのバージョンなど）

ここにより詳細な情報を記載してください。

Answer 1

以下の手順になるかと思います。

1. openpyxl で2つの Excel ファイルを読み込む。
2. 以下のように2重ループを回して、判定する。

for 氏名1、住所1 in エクセル1のデータ:
    for 氏名2、住所2 in エクセル2のデータ:
        (氏名1、氏名2) 及び (住所1, 住所2) の類似度を計算
        if それら両方の類似度を合算し、その値がしきい値以上
            エクセル1のどのデータがエクセル2のどのデータと一致したのか記録に残す
            break # 1つのデータベースに同一人物が重複して登録されていることがない場合、ここで break

openpyxl の使い方

• openpyxl
• 過去の質問

Comments

[anthony3590]

ご回答ありがとうございます。
教えていただいた内容で一度挑戦してみます。

[anthony3590]

お世話になっております。
ひとまずはpythonのIDLE上ではループ処理による類似度を算出することができました。
ありがとうございました。
ただ、算出した類似度をエクセルに自動入力したいのですが、うまくいきません。

初回質問時と少し流れが変わっていますが、
データが格納されたエクセルファイル（ファイル名=test.xlsx）のシート（シート名=テスト）
から名前１（A列にある）と名前２（Ｂ列にある）をIDLEで抽出し（1行目から5行目までの名前を抽出）、類似度を算出した後、それぞれの行に対応する類似度を同エクセルファイルのＣ列に入力したいと思っています。

そこで、この流れを以下のように記述してみました。
--------------------------------------------
import openpyxl
import Levenshtein

book = openpyxl.load_workbook('test.xlsx')
sheet = book.get_sheet_by_name('テスト')

for i in range(1,6):

名前１=(sheet.cell(row=i,
column=1
).value)

名前2=(sheet.cell(row=i,
column=2
).value)

sheet.cell(row=i,column=5).value = (Levenshtein.jaro(名前1, 名前2))
--------------------------------------------
最後の部分を「print (Levenshtein.jaro(名前1, 名前2))」と記述すると、IDLE上では
1~5行目までの類似度が算出し表示されているのですが、上記の記述ではエクセルに
入力することができません。
インターネット等で自分で調べてみたのですが、どうしても解決できませんでした。

長文の質問で申し訳ございませんが、お分かりになられましたら、お教えいただけませんでしょうか。

[tiitoi]

類似度は行ごとにA列とB列の類似度を計算し、その結果をC列に書き込むということですか？
回答しますので、お手数ですが、新しく質問を立てていただけますか。

[anthony3590]

新たな質問を立てました。またお教えいただけましたら、非常に助かります。