删除同一列中的部分重复项，同时保留较长的文本？

Question

因此，我是Python新手，希望删除同一列中部分相似的条目。例如，这些是数据帧中一列中的条目-

第一排-“我有你们的沐浴露，我想知道它是否含有动物成分。还有，哪些动物成分？我不喜欢使用含有动物成分的产品。”

第二排——“上面也没有ADA。这是假的牙膏，是你的仿制品吗？”

第3行-“我有你们的沐浴液，我想知道它是否含有动物成分。我不喜欢使用含有动物成分的产品。”

第4行-“我没有看到这个盒子上的ADA印章。我只是想确保它仍然可以安全使用？”

第5排-“你好，我只是想知道新牙膏是否经美国牙科协会批准？包装上没有注明”

第6排-“你好，我只是想知道新牙膏是否经ADA批准？盒子上没有写。”

因此，在本列中，第1行&；第3行和第5行&；6个相似（部分重复）。我希望python能够识别这些重复的语句，保留较长的语句，删除较短的语句，并将新数据导出到csv文件中

预期产量- 第一排-“我有你们的沐浴露，我想知道它是否含有动物成分。还有，哪些动物成分？我不喜欢使用含有动物成分的产品。”

第二排——“上面也没有ADA。这是假的牙膏，是你的仿制品吗？”

第3排-“我没有在这个盒子上看到美国残疾人协会的印章。我只是想确保它仍然可以安全使用？”

第4排-“你好，我只是想知道新牙膏是否经美国牙科协会批准？包装上没有注明”

我尝试使用fuzzyfuzzy，其中我使用了相似性排序函数，但它没有给我预期的输出。有没有更简单的代码

Answer 1

这是我的方法，希望评论是不言自明的

from fuzzywuzzy import fuzz,process

rows = ["I have your Body Wash and I wonder if it contains animal ingredients. Also, which animal ingredients? I prefer not to use product with animal ingredients.","This also doesn't have the ADA on there. Is this a fake toothpaste an imitation of yours?","I have your Body Wash and I wonder if it contains animal ingredients. I prefer not to use product with animal ingredients.","I didn't see the ADA stamp on this box. I just want to make sure it was still safe to use?","Hello, I was just wondering if the new toothpaste is ADA approved? It doesn’t say on the packaging","Hello, I was just wondering if the new toothpaste is ADA approved? It doesn’t say on the box."]

clean = []
threshold = 80 # this is arbitrary
for row in rows:
    # score each sentence against each other sentence
    # [('string', score),..]
    scores = process.extract(row, rows, scorer=fuzz.token_set_ratio)
    # basic idea is if there is a close second match we want to evaluate 
    # and keep the longer of the two
    if scores[1][1] > threshold:
        clean.append(max([x[0] for x in scores[:2]],key=len))
    else:
        clean.append(scores[0][0])
# remove dupes
clean = set(clean)