0
我有一个记录集如下。使用Python的字符串的模糊匹配
"product_id"|"prod_descr"|"status"|"last_upd_time"
"102317"|"TELMINORM CH 40/12.5MG TAB 10'S"|"A"|"2016-08-31 15:02:06.609879"
"99996"|"BECOSTAR TAB 15'S"|"A"|"2016-09-05 18:20:25"
"99997"|"SUPRADYN TABLET15S"|"A"|"2016-09-06 09:05:24"
"120138"|"LASILACTONE 50MG TABLET 10'S"|"A"|"2016-09-07 12:01:05"
"101921"|"TELMA 20MG TABLET 15S"|"A"|"2016-08-31 15:02:06.609879"
"1220"|"ACNESTAR SOAP 75GM"|"A"|"2016-08-31 15:02:06.609879"
"120147"|"AMANTREL CAPSULES 15S"|"A"|"2016-09-09 09:54:35"
"113446"|"VOLIX 0 3MG TABLET 15S"|"A"|"2016-08-31 15:02:06.609879"
"121294"|"maxifer xt syrup "|"A"|"2016-09-29 15:32:40"
"120151"|"PIRITON CS SYRUP 100ML"|"A"|"2016-09-09 14:30:46"
"103481"|"TERBICIP SPRAY 30ML"|"A"|"2016-08-31 15:02:06.609879"
"96175"|"SORBITRATE 5MG TABLET 50S"|"A"|"2016-08-31 15:02:06.609879"
该集是巨大的百万记录。我想要记录每个记录（第二个字段），如第2行"TELMINORM CH 40/12.5MG TAB 10'S"，并与其余记录进行模糊比较，并查找是否存在相似的记录集。
一个例子是 TELMINORM CH 40/12.5MG TAB 10'S与TELMINORM CH 40/12.5MG CAP 10'S相同。片剂/胶囊是TAB/CAP的含义。在这种情况下，它是一个重复记录。
所以为了消除这个我使用了distance模块，然后如果字符串的差异小于5，我正在以下面的格式写入一个文件。
TELMINORM CH 40/12.5MG TAB 10'S - TELMINORM CH 80/12.5MG TAB 10'S, TELMINORM CH 40/12.5MG TAB 10'S, TELMINORM CH 40/12.5MG CAP 10'S
我使用的逻辑是做的伎俩，但缓慢。它在1小时内处理150条记录，这是非常缓慢的过程。