背景：

    此次專案其中一個任務為公司名稱匹配，因此需要用到編輯距離。名稱匹配包括中英文，所以針對中英文有不同的計算方法：首先觀察中英文名稱特徵，國內公司一般以XX（省份|市|區|縣）XX(公司標誌名稱)XX（公司性質：科技|技術發展）有限公司|股份有限公司|有限責任公司|分公司，對應的英文也是如此eg,beijing XX technology co.,ltd.

ratio：一般用於長字元匹配

jaro_winker：用於短字元匹配，會給第一個字元相同的資料賦予較高的值

實施：

中文部分：

1.用正則表示式去除有限公司|股份有限公司|有限責任公司|分公司（re.sub(r'有限公司|股份有限公司|有限責任公司|分公司','',string)）同時也可以建立地名詞典去除前面地點，防止有的公司省略地點名,定義函式get_sub()實現此模組

2.爬取企業資訊曾用名輔助匹配

condition[i==j,get_sub(i)==get_sub(j),ratio(get_sub(i),get_sub(j))>0.85]

此處採坑：由於查詢字典資料較大，用any()條件判斷會計算所有的condition才會執行將匹配到的結果新增進字典，故需要定義一個函式，只要滿足一個條件即跳轉，按照計算量的大小寫入condition中進行判斷（最後完成後才知道用雜湊表匹配更快）

英文部分：

由於中國公司的英文名相同字元較多eg.beijing XX technology coltd 這種模式下可以是很多家公司，所以在匹配全字相等後（忽略特殊符號，忽略大小寫，簡寫egcompany limited -co.,ltd   croporation-crop incroporationed--INC）我想了一個方法就是以空格切分，除去相同單詞計算不同字元的編輯距離，這樣可以找到因時態單複數影響匹配不到的記錄