如何对数据集中名称相似的字符串（如McDonald和Mc DOnald’s）进行聚类，如果字符串相同（如sam和其他也为sam），则如何基于值或价格再次进行聚类。例如，考虑一个包含10个元素的数据表

name           priceram               200shyam             150ram12              59gita               45ram 2                45 g11ita                23john2                32john                 7jonh21               8jonh                 38ram22                3

那么分组应为

ram                    200ram12                  59ram  2                 45ram22                   3john2                    32jonh                     37john                    7john21                   8gita                 45g11ita               23      

我使用了fuzzywuzzy和Levenheneitein距离进行字符串聚类，但它只能聚类字符串而无法聚类价格。如何先聚类字符串，如果相同再聚类价格？

回答：

你需要仔细平衡文本相似性和数值相似性的阈值。这没有简单的解决方案，除非你有非常庞大的数据，手动方法可能是最好的选择。

短字符串的文本相似性非常不可靠。

例如：“dog”和“fog”只差一个字母，但不太可能是打字错误。它们的Levenshtein距离为1，是最小的非零值！因此，如果你依赖Levenshtein，你会得到很多误报——如果你手动验证它们还可以，但不适合自动处理。

因此，你至少需要使用一些了解（a）现有单词，这些单词不太可能是拼写错误，（b）常见的拼写错误，（c）音似性来估计一个单词是否可能拼写错误，（d）键盘相似性，一个单词是否可能被误打…