請求入金

マッチング

文字列の揺らぎがある場合、ベクトルデータを使ったマッチングは非常に有効です。 具体的には、文字列の類似度を計算するために、自然言語処理（NLP）の技術を利用することができます。 以下は、fuzzywuzzyライブラリを使用して文字列の類似度を計算し、マッチングを行うサンプルコードです：

まず、必要なライブラリをインストールします：

1

pip install pandas openpyxl fuzzywuzzy

次に、サンプルコードです：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

import pandas as pd
from fuzzywuzzy import fuzz

# 入金リストと請求明細のファイルパス
payments_file = 'payments.xlsx'
invoices_file = 'invoices.xlsx'

# Excelファイルからデータを読み込む
payments_df = pd.read_excel(payments_file)
invoices_df = pd.read_excel(invoices_file)

# 類似度の閾値を設定
similarity_threshold = 80

# マッチング結果を格納するリスト
matched_records = []

# 入金リストと請求明細をマッチングさせる
for _, payment in payments_df.iterrows():
    for _, invoice in invoices_df.iterrows():
        # 金額が一致するか確認
        if payment['金額'] == invoice['請求金額']:
            # 振り込み依頼人と顧客名の類似度を計算
            similarity = fuzz.token_sort_ratio(payment['振り込み依頼人'], invoice['顧客名'])
            if similarity >= similarity_threshold:
                matched_records.append({
                    '入金ID': payment['入金ID'],
                    '請求ID': invoice['請求ID'],
                    '金額': payment['金額'],
                    '振り込み依頼人': payment['振り込み依頼人'],
                    '顧客名': invoice['顧客名'],
                    '類似度': similarity
                })

# マッチング結果をデータフレームに変換
matched_df = pd.DataFrame(matched_records)

# マッチング結果を表示
print(matched_df)

# マッチング結果を新しいExcelファイルに保存
matched_df.to_excel('matched_results.xlsx', index=False)

このコードでは、以下の手順を実行しています：

  1. pandasライブラリを使用して、Excel ファイルから入金リストと請求明細を読み込みます。
  2. fuzzywuzzyライブラリを使用して、振り込み依頼人と顧客名の類似度を計算します。
  3. 金額が一致し、かつ文字列の類似度が閾値以上の場合にマッチングを行います。
  4. マッチング結果を表示し、新しい Excel ファイルに保存します。

記事