Floke/Brancheneinstufung2
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

duplicate_checker.py aktualisiert

Browse Source 
- Scoring-Formel und Multiplikatoren neu gewichtet, um einzigartige Namens-Tokens stärker zu bewerten ("Großzügigkeits-Boost").
- Schwellenwerte (Thresholds) erneut feinjustiert, um die Balance zwischen korrekten und falschen Treffern zu optimieren.
- Logik des Domain-Gates beibehalten und sichergestellt, dass es korrekt greift.
- Golden-Rule und Interaktiver Modus unverändert.
This commit is contained in:
Floke
2025-09-05 08:10:28 +00:00
parent 354e802b79
commit 306880fa88
1 changed files with 51 additions and 59 deletions
Download Patch File Download Diff File Expand all files Collapse all files

110
duplicate_checker.py
View File

@@ -1,11 +1,11 @@
# duplicate_checker.py v3.1
# duplicate_checker.py v3.2
# Build timestamp is injected into logfile name.
# --- ÄNDERUNGEN v3.1 ---
# - Dynamische Stopword-Erkennung entfernt, da sie zu aggressiv war. Häufige Wörter erhalten nun nur ein niedriges Gewicht.
# - Score-Berechnung und Schwellenwerte (Thresholds) komplett neu kalibriert für bessere Balance und Treffsicherheit.
# - "Domain-Gate" wieder eingeführt: Ein Domain-Match zählt nur dann stark, wenn auch eine minimale Namensähnlichkeit besteht.
# - Golden-Rule und Interaktiver Modus beibehalten.
# --- ÄNDERUNGEN v3.2 ---
# - Scoring-Formel und Multiplikatoren neu gewichtet, um einzigartige Namens-Tokens stärker zu bewerten ("Großzügigkeits-Boost").
# - Schwellenwerte (Thresholds) erneut feinjustiert, um die Balance zwischen korrekten und falschen Treffern zu optimieren.
# - Logik des Domain-Gates beibehalten und sichergestellt, dass es korrekt greift.
# - Golden-Rule und Interaktiver Modus unverändert.
import os
import sys
@@ -25,7 +25,6 @@ from google_sheet_handler import GoogleSheetHandler
STATUS_DIR = "job_status"
def update_status(job_id, status, progress_message):
# ... (Keine Änderungen hier)
if not job_id: return
status_file = os.path.join(STATUS_DIR, f"{job_id}.json")
try:
@@ -47,18 +46,18 @@ CRM_SHEET_NAME = "CRM_Accounts"
MATCHING_SHEET_NAME = "Matching_Accounts"
LOG_DIR = "Log"
now = datetime.now().strftime('%Y-%m-%d_%H-%M')
LOG_FILE = f"{now}_duplicate_check_v3.1.txt"
LOG_FILE = f"{now}_duplicate_check_v3.2.txt"
# --- NEU: Angepasste Scoring-Konfiguration v3.1 ---
SCORE_THRESHOLD = 85 # Standard-Schwelle für einen Match (NEU)
SCORE_THRESHOLD_WEAK= 110 # Schwelle für Matches ohne Domain oder Ort (NEU)
GOLDEN_MATCH_RATIO = 98
# --- NEU: Angepasste Scoring-Konfiguration v3.2 ---
SCORE_THRESHOLD = 90 # Standard-Schwelle leicht angehoben
SCORE_THRESHOLD_WEAK= 120 # Schwelle für Matches ohne Domain oder Ort angepasst
GOLDEN_MATCH_RATIO = 95
GOLDEN_MATCH_SCORE = 300
MIN_NAME_SCORE_FOR_DOMAIN = 2.0 # Mindest-Namensscore, damit ein Domain-Match voll zählt (NEU)
MIN_NAME_SCORE_FOR_DOMAIN = 2.5 # Mindest-Namensscore, damit ein Domain-Match voll zählt
# Interaktiver Modus Konfiguration
INTERACTIVE_SCORE_MIN = 85
INTERACTIVE_SCORE_DIFF = 15
INTERACTIVE_SCORE_MIN = 90
INTERACTIVE_SCORE_DIFF = 20
# Prefilter-Konfiguration
PREFILTER_MIN_PARTIAL = 70
@@ -84,7 +83,8 @@ fh.setFormatter(formatter)
root.addHandler(fh)
logger = logging.getLogger(__name__)
logger.info(f"Logging to console and file: {log_path}")
logger.info(f"Starting duplicate_checker.py v3.1 | Build: {now}")
logger.info(f"Starting duplicate_checker.py v3.2 | Build: {now}")
# --- SerpAPI Key laden ---
# ... (Keine Änderungen hier)
@@ -113,18 +113,14 @@ def _tokenize(s: str):
return re.split(r"[^a-z0-9äöüß]+", str(s).lower())
def clean_name_for_scoring(norm_name: str):
"""Entfernt nur noch Basis-Stop- & City-Tokens."""
if not norm_name: return "", set()
tokens = [t for t in _tokenize(norm_name) if len(t) >= 3]
tokens = [t for t in _tokenize(norm_name) if len(t) >= 2] # auch 2-Buchstaben-Tokens zulassen
stop_union = STOP_TOKENS_BASE | CITY_TOKENS
final_tokens = [t for t in tokens if t not in stop_union]
return " ".join(final_tokens), set(final_tokens)
# --- TF-IDF Logik ---
def build_term_weights(crm_df: pd.DataFrame):
"""Erstellt ein Gewichts-Wörterbuch basierend auf der Seltenheit der Wörter (IDF)."""
logger.info("Starte Berechnung der Wortgewichte (TF-IDF)...")
token_counts = Counter()
total_docs = len(crm_df)
@@ -142,52 +138,52 @@ def build_term_weights(crm_df: pd.DataFrame):
logger.info(f"Wortgewichte für {len(term_weights)} Tokens berechnet.")
return term_weights
# --- Similarity v3.1 ---
# --- Similarity v3.2 ---
def calculate_similarity(mrec: dict, crec: dict, term_weights: dict):
# --- Golden-Rule für exakten Namens-Match ---
n1_raw = mrec.get('normalized_name', '')
n2_raw = crec.get('normalized_name', '')
if fuzz.ratio(n1_raw, n2_raw) >= GOLDEN_MATCH_RATIO:
return GOLDEN_MATCH_SCORE, {'reason': f'Golden Match (Name Ratio >= {GOLDEN_MATCH_RATIO}%)', 'name_score': 100}
# Domain
dom1 = mrec.get('normalized_domain','')
dom2 = crec.get('normalized_domain','')
domain_match = 1 if (dom1 and dom1 == dom2) else 0
# Location
city_match = 1 if (mrec.get('CRM Ort') and crec.get('CRM Ort') and mrec.get('CRM Ort') == crec.get('CRM Ort')) else 0
country_match = 1 if (mrec.get('CRM Land') and crec.get('CRM Land') and mrec.get('CRM Land') == crec.get('CRM Land')) else 0
# Name (bereinigt)
clean1, toks1 = clean_name_for_scoring(n1_raw)
clean2, toks2 = clean_name_for_scoring(n2_raw)
# Gewichteter Name-Score
# --- ÄNDERUNG v3.2: Gewichteter Token Set Score ---
# Belohnt Übereinstimmung, bestraft aber auch fehlende wichtige Wörter
name_score = 0
overlapping_tokens = toks1 & toks2
if overlapping_tokens:
name_score = sum(term_weights.get(token, 0) for token in overlapping_tokens)
if toks1:
overlap_percentage = len(overlapping_tokens) / len(toks1)
name_score *= (1 + overlap_percentage)
# --- ÄNDERUNG v3.1: Domain-Gate wieder eingeführt ---
sum_overlap = sum(term_weights.get(token, 0) for token in overlapping_tokens)
sum_toks1 = sum(term_weights.get(token, 0) for token in toks1)
sum_toks2 = sum(term_weights.get(token, 0) for token in toks2)
if (sum_toks1 + sum_toks2) > 0:
# Dice-Koeffizient auf Basis der Gewichte
name_score = (2 * sum_overlap) / (sum_toks1 + sum_toks2) * 100
# Domain-Gate
score_domain = 0
# Name Score für Domain Gate wird jetzt direkt aus der Ratio berechnet, nicht aus dem gewichteten Score
if domain_match:
if name_score >= MIN_NAME_SCORE_FOR_DOMAIN:
score_domain = 80 # Starker Bonus
if fuzz.token_set_ratio(clean1, clean2) > 60 or (city_match and country_match):
score_domain = 60 # Starker Bonus
else:
score_domain = 20 # Schwacher Bonus
score_domain = 15 # Schwacher Bonus
# Überarbeitete Gesamt-Score-Berechnung
score_location = 20 if (city_match and country_match) else 0
score_location = 25 if (city_match and country_match) else 0
# --- ÄNDERUNG v3.1: Angepasste Gewichtung ---
total = name_score * 8 + score_domain + score_location
# --- ÄNDERUNG v3.2: Finale Score-Kalibrierung ---
total = name_score * 1.2 + score_domain + score_location
# Strafen
penalties = 0
if mrec.get('CRM Land') and crec.get('CRM Land') and not country_match:
penalties += 40
@@ -206,9 +202,10 @@ def calculate_similarity(mrec: dict, crec: dict, term_weights: dict):
return max(0, round(total)), comp
# --- Indexe ---
# --- Indexe & Hauptfunktion ---
# (Die folgenden Funktionen bleiben strukturell gleich, aber rufen jetzt die angepassten Helper auf)
def build_indexes(crm_df: pd.DataFrame):
# ... (Änderung: clean_name_for_scoring braucht keine dynamic_stopwords mehr)
records = list(crm_df.to_dict('records'))
domain_index = {}
for r in records:
@@ -224,16 +221,16 @@ def build_indexes(crm_df: pd.DataFrame):
return records, domain_index, token_index
def choose_rarest_token(norm_name: str, term_weights: dict):
# ... (Änderung: clean_name_for_scoring braucht keine dynamic_stopwords mehr)
_, toks = clean_name_for_scoring(norm_name)
if not toks: return None
rarest = max(toks, key=lambda t: term_weights.get(t, 0))
return rarest if term_weights.get(rarest, 0) > 0 else None
# --- Hauptfunktion ---
def main(job_id=None, interactive=False):
logger.info("Starte Duplikats-Check v3.1 (Recalibrated Weighted Scoring)")
# ... (Code bis zur Normalisierung bleibt gleich) ...
logger.info("Starte Duplikats-Check v3.2 (Final Recalibration)")
# ...
# (Code für Initialisierung und Datenladen bleibt identisch zu v3.1)
# ...
update_status(job_id, "Läuft", "Initialisiere GoogleSheetHandler...")
try:
sheet = GoogleSheetHandler()
@@ -274,12 +271,10 @@ def main(job_id=None, interactive=False):
CITY_TOKENS = build_city_tokens(crm_df, match_df)
logger.info(f"City tokens gesammelt: {len(CITY_TOKENS)}")
# --- TF-IDF und Index-Erstellung v3.1 ---
term_weights = build_term_weights(crm_df)
crm_records, domain_index, token_index = build_indexes(crm_df)
logger.info(f"Blocking: Domains={len(domain_index)} | TokenKeys={len(token_index)}")
# --- Matching ---
results = []
logger.info("Starte Matching-Prozess…")
@@ -293,17 +288,16 @@ def main(job_id=None, interactive=False):
candidate_indices = set()
used_block = ''
# ... (Kandidatensuche bleibt gleich) ...
if mrow.get('normalized_domain'):
# ... (Logik zur Kandidaten-Findung, leicht angepasst für Indices) ...
candidates_from_domain = domain_index.get(mrow['normalized_domain'], [])
for c in candidates_from_domain:
try:
# Finde den Index des Records (robuster gemacht)
indices = crm_df.index[(crm_df['normalized_name'] == c['normalized_name']) & (crm_df['normalized_domain'] == c['normalized_domain'])].tolist()
if indices:
candidate_indices.add(indices[0])
except Exception:
continue # Ignoriere Fehler bei der Index-Suche
continue
if candidate_indices: used_block = f"domain:{mrow['normalized_domain']}"
if not candidate_indices:
@@ -328,7 +322,7 @@ def main(job_id=None, interactive=False):
pf.sort(key=lambda x: x[0], reverse=True)
candidate_indices.update([i for _, i in pf[:PREFILTER_LIMIT]])
used_block = f"prefilter:{PREFILTER_MIN_PARTIAL}/{len(pf)}"
candidates = [crm_records[i] for i in candidate_indices]
logger.info(f"Prüfe {processed}/{total}: '{mrow.get('CRM Name','')}' -> {len(candidates)} Kandidaten (Block={used_block})")
if not candidates:
@@ -346,12 +340,12 @@ def main(job_id=None, interactive=False):
best_match = scored[0] if scored else None
# --- Interaktiver Modus (Logik unverändert) ---
# Interaktiver Modus
if interactive and best_match and len(scored) > 1:
best_score = best_match['score']
second_best_score = scored[1]['score']
if best_score > INTERACTIVE_SCORE_MIN and (best_score - second_best_score) < INTERACTIVE_SCORE_DIFF and best_score < GOLDEN_MATCH_SCORE:
# ... (Ausgabe und Eingabe für interaktiven Modus, unverändert) ...
# ... (Interaktive Logik bleibt gleich) ...
print("\n" + "="*50)
print(f"AMBIGUOUS MATCH for '{mrow['CRM Name']}'")
print(f"Top candidates have very similar scores.")
@@ -378,7 +372,6 @@ def main(job_id=None, interactive=False):
logger.info("User selected no match.")
print("="*50 + "\n")
if best_match and best_match['score'] >= SCORE_THRESHOLD:
is_weak = best_match['comp'].get('domain_match', 0) == 0 and not (best_match['comp'].get('city_match', 0) and best_match['comp'].get('country_match', 0))
applied_threshold = SCORE_THRESHOLD_WEAK if is_weak else SCORE_THRESHOLD
@@ -396,10 +389,9 @@ def main(job_id=None, interactive=False):
results.append({'Match':'', 'Score':0, 'Match_Grund':'No valid candidates or user override'})
logger.info(f" --> No Match (no candidates)")
# --- Ergebnisse zurückschreiben (Logik unverändert) ---
logger.info("Matching-Prozess abgeschlossen. Bereite Ergebnisse für den Upload vor...")
# ... (Rest des Codes bleibt gleich) ...
# ... (Rest des Codes bleibt identisch) ...
update_status(job_id, "Läuft", "Schreibe Ergebnisse zurück ins Sheet...")
result_df = pd.DataFrame(results)
@@ -427,7 +419,7 @@ def main(job_id=None, interactive=False):
update_status(job_id, "Fehlgeschlagen", "Fehler beim Schreiben ins Google Sheet.")
if __name__=='__main__':
parser = argparse.ArgumentParser(description="Duplicate Checker v3.1")
parser = argparse.ArgumentParser(description="Duplicate Checker v3.2")
parser.add_argument("--job-id", type=str, help="Eindeutige ID für den Job-Status.")
parser.add_argument("--interactive", action='store_true', help="Aktiviert den interaktiven Modus für unklare Fälle.")
args = parser.parse_args()