This commit is contained in:
2025-05-26 06:25:36 +00:00
parent 297731f934
commit b4ac182ce1

View File

@@ -717,107 +717,147 @@ def fuzzy_similarity(str1, str2):
# Globale Funktion (ersetzen Sie Ihre bestehende Version vollständig hiermit)
def extract_numeric_value(raw_value, is_umsatz=False):
logger = logging.getLogger(__name__ + ".extract_numeric_value")
if raw_value is None or pd.isna(raw_value): return "k.A."
text_original_for_units = str(raw_value).strip().lower() # Für Einheiten-Keywords
if raw_value is None or pd.isna(raw_value):
return "k.A."
raw_value_str_original_for_debug = str(raw_value)
text_to_parse = str(raw_value).strip()
if not text_to_parse or text_to_parse.lower() in ['k.a.', 'n/a', '-']: return "k.A."
if text_to_parse in ['0', '0.0', '0,00', '0.000', '0.00']: return "0" # Explizite 0 bleibt "0"
if not text_to_parse or text_to_parse.lower() in ['k.a.', 'n/a', '-']:
return "k.A."
# Vor dem Parsen prüfen, ob der Input-String selbst "0" oder eine Variation davon ist.
# Wenn ja, "0" zurückgeben. Die Logik in _get_numeric_value_for_plausi
# wird dies dann korrekt als "unbekannt" (np.nan) interpretieren.
# Leerzeichen werden hier noch nicht entfernt, um "0 . 0" nicht fälschlich als "0" zu erkennen.
test_val_for_zero = text_to_parse.replace(',', '.')
if test_val_for_zero in ['0', '0.0', '0.00', '0.000']:
return "0"
try:
# Schritt 1: Grobe Vorreinigung
text_to_parse = clean_text(text_to_parse)
if text_to_parse.lower() in ['k.a.', 'n/a', '-']: return "k.A."
# text_cleaned_for_units wird für die reine Einheitensuche verwendet, daher früh cleanen.
text_cleaned_for_units = clean_text(text_to_parse).lower()
text_processed = text_to_parse # Arbeitskopie für Zahlenextraktion
text_processed = re.sub(r'(?i)^\s*(ca\.?|circa|rund|etwa|über|unter|mehr als|weniger als|bis zu)\s+', '', text_processed)
text_processed = re.sub(r'\(.*?\)|\[.*?\]', '', text_processed) # Klammern und eckige Klammern entfernen
text_processed = re.sub(r'[€$£¥]\s*|[Cc][Hh][Ff]\s*', '', text_processed, flags=re.IGNORECASE).strip()
text_processed = re.split(r'\s*(-||bis)\s*', text_processed, 1)[0].strip()
if not text_processed:
logger.debug(f"Text nach Vorreinigung leer für '{raw_value_str_original_for_debug}'")
return "k.A."
text_to_parse = re.sub(r'(?i)^\s*(ca\.?|circa|rund|etwa|ueber|unter|mehr als|weniger als|bis zu)\s+', '', text_to_parse)
text_to_parse = re.sub(r'\(.*?\)', '', text_to_parse) # Klammern früh entfernen
text_to_parse = re.sub(r'[€$£¥CHF]', '', text_to_parse, flags=re.IGNORECASE).strip()
text_to_parse = re.split(r'\s*(-||bis)\s*', text_to_parse, 1)[0].strip()
if not text_to_parse: return "k.A."
# Schritt 2: Versuche, die Zahl und eine eventuelle Einheit zu trennen
# Regex, um eine Zahl am Anfang des Strings zu finden, optional gefolgt von Text
# Erlaubt Punkte, Kommas, Apostrophe und Leerzeichen in der Zahl
# Diese Regex ist sehr gierig für den Zahlenteil.
num_match = re.match(r'([\d.,\'\s]+)', text_to_parse)
# Schritt 2: Zahl und Einheit trennen.
match = re.match(r'([\d.,\'\s]+)(.*)', text_processed)
num_str_candidate = ""
unit_part_str = ""
if num_match:
num_str_candidate = num_match.group(1).strip()
# Der Rest des Strings nach der Zahl könnte die Einheit sein
unit_part_str = text_to_parse[len(num_match.group(0)):].strip().lower()
else: # Kein Zahlenmatch am Anfang
logger.debug(f"Kein initialer Zahlen-Match in '{text_to_parse}' (Original: '{raw_value_str_original}')")
return "k.A."
if match:
num_str_candidate = match.group(1).strip()
unit_part_str = match.group(2).strip()
else:
match_num_only = re.match(r'([\d.,\'\s]+)', text_processed)
if match_num_only:
num_str_candidate = match_num_only.group(1).strip()
else:
logger.debug(f"Kein initialer Zahlen-Match in '{text_processed}' (Original: '{raw_value_str_original_for_debug}')")
return "k.A."
if not num_str_candidate: # Falls num_str_candidate leer ist nach strip()
logger.debug(f"Zahlenkandidat war leer oder nur Whitespace für '{raw_value_str_original_for_debug}'")
return "k.A."
# Schritt 3: Bereinige den extrahierten Zahlen-String
cleaned_num_str = num_str_candidate.replace("'", "").replace(" ", "") # Apostrophe und alle Leerzeichen
cleaned_num_str = num_str_candidate.replace("'", "").replace(" ", "")
if not cleaned_num_str:
logger.debug(f"Zahlenkandidat '{num_str_candidate}' wurde zu leerem String nach Entfernung von ' und Leerraum.")
return "k.A."
has_dot = '.' in cleaned_num_str
has_comma = ',' in cleaned_num_str
if has_dot and has_comma:
if cleaned_num_str.rfind('.') > cleaned_num_str.rfind(','): # US: 1,234.56
last_dot_pos = cleaned_num_str.rfind('.')
last_comma_pos = cleaned_num_str.rfind(',')
if last_dot_pos > last_comma_pos:
cleaned_num_str = cleaned_num_str.replace(',', '')
else: # EU: 1.234,56
cleaned_num_str = cleaned_num_str.replace('.', '').replace(',', '.')
elif has_comma: # Nur Kommas
if cleaned_num_str.count(',') == 1 and re.search(r',\d{1,2}$', cleaned_num_str) and not re.search(r',\d{3}', cleaned_num_str):
else:
cleaned_num_str = cleaned_num_str.replace('.', '')
cleaned_num_str = cleaned_num_str.replace(',', '.')
else:
elif has_comma:
# Fall: "1,234,567" -> 1234567
# Fall: "1,234" -> 1234
# Fall: "1,23" -> 1.23
# Fall: "1," -> k.A. (wird später abgefangen)
# Nur das *letzte* Komma kann ein Dezimaltrennzeichen sein, wenn es von 1 oder 2 Ziffern gefolgt wird.
if re.search(r',\d{1,2}$', cleaned_num_str):
# Das letzte Komma ist wahrscheinlich ein Dezimaltrennzeichen.
# Ersetze nur dieses letzte Komma durch einen Punkt.
# Alle anderen Kommas (falls vorhanden) sind Tausendertrenner.
parts = cleaned_num_str.rsplit(',', 1)
integer_part = parts[0].replace(',', '')
cleaned_num_str = f"{integer_part}.{parts[1]}"
else: # Alle Kommas sind Tausendertrenner
cleaned_num_str = cleaned_num_str.replace(',', '')
elif has_dot: # Nur Punkte
if cleaned_num_str.count('.') == 1 and re.search(r'\.\d{1,2}$', cleaned_num_str) and not re.search(r'\.\d{3}', cleaned_num_str):
pass
else:
elif has_dot:
# Analog zu Kommas
if re.search(r'\.\d{1,2}$', cleaned_num_str):
parts = cleaned_num_str.rsplit('.', 1)
integer_part = parts[0].replace('.', '')
cleaned_num_str = f"{integer_part}.{parts[1]}"
else:
cleaned_num_str = cleaned_num_str.replace('.', '')
if not re.fullmatch(r'-?\d+(\.\d+)?', cleaned_num_str):
logger.debug(f"Kein gültiger numerischer String nach Trennzeichenbehandlung: '{cleaned_num_str}' (Num-Kandidat: '{num_str_candidate}', Original: '{raw_value_str_original}')")
logger.debug(f"Kein gültiger numerischer String nach Trennzeichenbehandlung: '{cleaned_num_str}' (Num-Kandidat: '{num_str_candidate}', Original: '{raw_value_str_original_for_debug}')")
return "k.A."
num_as_float = float(cleaned_num_str)
# Schritt 4: Einheiten-Skalierung basierend auf unit_part_str oder text_original_for_units
# Schritt 4: Einheiten-Skalierung
scaled_num = num_as_float
# Prüfe zuerst den direkt nach der Zahl extrahierten unit_part_str
# Dann als Fallback den gesamten originalen String (text_original_for_units)
source_for_unit_check = unit_part_str if unit_part_str else text_original_for_units
string_for_unit_search = unit_part_str.lower() if unit_part_str else text_cleaned_for_units
if is_umsatz:
if re.search(r'^mrd\.?|^milliarden|^billion', source_for_unit_check):
scaled_num = num_as_float * 1000.0
elif re.search(r'^tsd\.?|^tausend|^k\b', source_for_unit_check):
scaled_num = num_as_float / 1000.0
# Wenn `source_for_unit_check` mit "mio" beginnt, ist num_as_float schon Mio.
# Wenn `source_for_unit_check` leer ist (also nur eine Zahl da war), wird num_as_float als Mio. interpretiert.
else: # Mitarbeiter
if re.search(r'^mrd\.?|^milliarden|^billion', source_for_unit_check): scaled_num = num_as_float * 1000000000.0
elif re.search(r'^mio\.?|^millionen|^mill\.?', source_for_unit_check): scaled_num = num_as_float * 1000000.0
elif re.search(r'^tsd\.?|^tausend|^k\b', source_for_unit_check): scaled_num = num_as_float * 1000.0
if pd.isna(scaled_num): return "k.A." # Sollte nicht passieren, wenn num_as_float eine Zahl war
if scaled_num == 0 and raw_value_str_original.strip() in ['0', '0.0', '0,00', '0.000', '0.00']:
return "0"
elif scaled_num >= 0: # Auch eine berechnete 0 (z.B. aus 0 Tsd) wird als "0" String zurückgegeben
return str(int(round(scaled_num)))
multiplikator = 1.0
if re.search(r'\b(mrd\.?|milliarden|billion|mia\.?)\b', string_for_unit_search):
multiplikator = 1000.0
elif re.search(r'\b(mio\.?|mill\.?|millionen)\b', string_for_unit_search):
multiplikator = 1.0
elif re.search(r'\b(tsd\.?|tausend|k\b(?!\w))\b', string_for_unit_search):
multiplikator = 0.001
scaled_num = num_as_float * multiplikator
else:
multiplikator = 1.0
if re.search(r'\b(mrd\.?|milliarden|billion|mia\.?)\b', string_for_unit_search):
multiplikator = 1000000000.0
elif re.search(r'\b(mio\.?|mill\.?|millionen)\b', string_for_unit_search):
multiplikator = 1000000.0
elif re.search(r'\b(tsd\.?|tausend|k\b(?!\w))\b', string_for_unit_search):
multiplikator = 1000.0
scaled_num = num_as_float * multiplikator
if pd.isna(scaled_num):
return "k.A."
except ValueError as e:
logger.debug(f"ValueError '{e}' bei Konvertierung (extract_numeric_value) von '{cleaned_num_str if 'cleaned_num_str' in locals() else raw_value_str_original[:30]}...'")
if scaled_num >= 0:
return str(int(round(scaled_num)))
else:
logger.debug(f"Negative Zahl nach Skalierung: {scaled_num} für Input '{raw_value_str_original_for_debug}'")
return "k.A."
except ValueError as e:
logger.debug(f"ValueError bei Konvertierung zu float: '{e}' (cleaned_num_str: '{cleaned_num_str if 'cleaned_num_str' in locals() else 'N/A'}', Original: '{raw_value_str_original_for_debug[:30]}...')")
return "k.A."
except Exception as e_general:
logger.error(f"Unerwarteter Fehler in extract_numeric_value für '{raw_value_str_original[:50]}...': {e_general}")
logger.error(f"Unerwarteter Fehler in extract_numeric_value für '{raw_value_str_original_for_debug[:50]}...': {e_general}")
logger.debug(traceback.format_exc())
return "k.A."
# --- Numerische Extraktion fuer FILTERLOGIK (gibt 0 statt k.A. zurueck) ---
# Basierend auf Code aus Teil 2.
# Extrahiert und normalisiert Zahlenwerte fuer Vergleichslogik.