关于数据整理，前十大事务所审计

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

想请教大家一个问题，我有两份数据，一份是历年十大会计师事务所名单，另一份是上市公司的审计事务所名单。然后我现在是想设置big10的虚拟变量，即十大审计取1，否则取0。但是我怎么把这两份数据进行匹配呢？
我试了vlookup（在excel里做），但是问题是，事务所名称不完全相同，比如“安永华明会计师事务所”和“安永华明会计师事务所（特殊普通合伙人）”。如果用精确匹配的话就匹配不上，用近似匹配的话常常会出现错误。
其他笨办法，比如一个一个的筛选我也想过，但是感觉工作量太大，因为有10000+的样本。不知道哪位同学有好的方法？谢谢啦！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：数据整理 事务所 请教大家一个问题 vlookup 会计师事务所

我最近刚好也遇到了这个问题，想问问你最终解决了吗？还是说直接初略的固定出一组前十大会计师事务所来进行分析？

沉睡的喵喵喵222 发表于 2018-1-22 22:11
我最近刚好也遇到了这个问题，想问问你最终解决了吗？还是说直接初略的固定出一组前十大会计师事务所来进行 ...

手动筛选的

gen Big10=1 if strmatch(auditor,"*安永华明*")

面对这个问题，我们可以使用更智能的数据处理方式来匹配这两份数据集。以下是一种可能的方法：

### 使用Python进行文本匹配和数据整理

#### 步骤1：导入必要的库

```python
import pandas as pd
from fuzzywuzzy import fuzz, process
```

确保你安装了`fuzzywuzzy`库，它可以帮助我们处理不完全匹配的字符串。

#### 步骤2：加载你的数据

假设你的两份数据分别在两个CSV文件中：

```python
df_top10 = pd.read_csv('top_10_accounting_firms.csv')
df_audits = pd.read_csv('audit_firms_for_listed_companies.csv')
```

#### 步骤3：创建匹配函数

使用`fuzzywuzzy`的`process.extractOne`方法来找出最接近的匹配项。

```python
def match_firm(name, choices):
    return process.extractOne(name, choices)[0]

# 将df_top10中的公司名称保存为一个列表，用于后续的字符串匹配
top_10_names = df_top10['firm_name'].tolist()
```

#### 步骤4：应用函数到审计事务所数据

```python
df_audits['big10'] = df_audits['auditor'].apply(lambda x: match_firm(x, top_10_names) if fuzz.token_set_ratio(x, match_firm(x, top_10_names)) > 85 else '')
```

这里我们使用了`fuzz.token_set_ratio`来确定匹配度是否足够高。如果低于指定的阈值（例如，85），则认为没有匹配。

#### 步骤5：设置虚拟变量

```python
df_audits['is_big10'] = df_audits['big10'].apply(lambda x: 1 if x else 0)
```

这样你就可以得到一个“Big10”审计的二进制指示列。

这个方法使用了模糊匹配，可以处理名称中的小差异。当然，阈值可能需要根据实际情况调整以获得最佳效果。此外，由于`fuzzywuzzy`在大数据集上可能会较慢，如果数据量特别大，考虑使用更高效的算法或并行处理技术。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用