我有一份大约10万个名称的列表。这些名称包括个人姓名、公司名称等，名称可能是完全匹配的，也可能在某些方面有所不同。我也有一些地址，但这些地址可能是错误的或者不存在。我需要收集并统计每个名称以进行分析。以下是一个示例集，
Bank America, N.ABOABank f AmercaAmerica BankWells Fargo BankWells FargoWells Fargo, N.AFargo Bank对于Bank of America，计数将是三，因为America Bank是不同的。对于Wells Fargo，计数也将是三，因为Fargo Bank是不同的。
编辑：
除了使用机器学习之外，另一种选择是使用模糊匹配。我已经查看了difflib和fuzzywuzzy库，但问题是我没有参考列表；逻辑本身需要找出参考（这就是我认为机器学习是答案的原因）。
因此，作为练习，这里是第二个数据示例，
John Smith - 首次发现，因此标记为ID 1Chase Bank - 首次发现，标记为ID 2John J. Smith - 与John Smith相似，因此标记为ID 1BOA - 首次发现，标记为ID 3Bank of America - 与BOA不相似，因此标记为ID 4（技术上这是BOA，但系统起初不会知道）BOA, N.A. - 与BOA相似，因此标记为ID 3现在让我们看看BOA和Bank of America。程序如何知道它们是相同的？它不会知道，所以我需要返回并指出BOA和Bank of America是相同的。如果我们选择机器学习的路线，我可以创建一个新字段，手动指出BOA和Bank of America是相同的，然后重新尝试这个过程以获得更好的结果。但假设我们想走简单路线，不这样做，有没有Python库可以帮助我？
我更需要一个好的起点而不是实际的代码。
回答：
我仍然想尝试使用机器学习，但我已经创建了一个Python解决方案，我将使用FuzzyWuzzy来实现。
我将基于对数据库的循环生成一个动态参考列表。因此，在第一次循环中，我将为该文本创建一个唯一ID。这将被存储在一个表中。在第二次循环中，我将查看新表中的记录并尝试匹配，如果有匹配，该ID将被分配给下一条记录。如果没有找到匹配的文本，该文本将被添加到新表中并分配一个新的唯一ID…依此类推。这种方法避免了机器学习，并且对于当前的需求集来说可能已经足够好了。
编辑：我正在添加一个额外的表，因此表格将如下所示
表1 = 未处理的源数据表表2 = 唯一名称表表3 = 唯一名称的所有派生我还将获取一个最常见名称的唯一列表，并将其添加到表2和表3中。这将只是一个起点。
