fuzzywuzzy 使用Edit Distance 算法，是指两个字符串之间，由一个转成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。一般来说，编辑距离越小，两个串的相似度越大

fuzzywuzzy的process模块可以比较两组（个）数据，并输出比对分数

如下面的脚本即是比对自己的一组数据和参考的一组数据，并得出比对结果，比如我这里使用基因

#!/usr/bin/env python3

import pandas as pd
from fuzzywuzzy import process

# 假设有一个小的基因名称列表，可能是你关注的几个基因
my_genes = pd.DataFrame({
    'My_Gene_Name': ['BRCA1', 'TP53', 'EGFR', 'XYZ']
})

# 假设有一个基因数据库的DataFrame
db_genes = pd.DataFrame({
    'Database_Gene_Name': ['BRAC1', 'T53', 'EGRF', 'MTHFRR', 'AOP3', 'BRCA1', 'TP5', 'EGFR', 'MTHFR', 'APOE']
})

# 创建一个空的DataFrame用于存储最佳匹配结果
df_best_matches = pd.DataFrame(columns=['My_Gene_Name', 'Best_Match', 'Score'])
df_no_match = pd.DataFrame(columns=['My_Gene_Name', 'Best_Match', 'Score'])

# 遍历我关注的每一个基因名称
for my_gene in my_genes['My_Gene_Name']:
    # 使用fuzzywuzzy找到最佳匹配的基因名称
    best_match, score = process.extractOne(my_gene, db_genes['Database_Gene_Name'])[0:2]
    
    # 创建一个临时的DataFrame来存储这一行数据
    temp_df = pd.DataFrame({
        'My_Gene_Name': [my_gene],
        'Best_Match': [best_match],
        'Score': [score]
    })
    
    # 判断是否有足够好的匹配（这里假设得分必须大于85）
    if score > 85:
        df_best_matches = pd.concat([df_best_matches, temp_df], ignore_index=True)
    else:
        df_no_match = pd.concat([df_no_match, temp_df], ignore_index=True)

# 将没有匹配的基因添加到底部
df_final = pd.concat([df_best_matches, df_no_match], ignore_index=True)

# 打印输出
print(df_final)

结果如下

╰─[~ ❤ ▶ ./test.py
  My_Gene_Name Best_Match Score
0        BRCA1      BRCA1   100
1         TP53        T53    86
2         EGFR       EGFR   100
3          XYZ      BRAC1     0