參考：http://www.biggorilla.org/zh-hans/walkt/
使用Magellan進行數據匹配過程如下：
假設有兩個數據源為A和B，
A共有四列數據：（A_Column1，A_Column2，A_Column3，A_Column4）
B共有五列數據： (B_Column1，B_Column2，B_Column3，B_Column4，B_Column5)
假設A_Column1和B_Column1是相關的，而A_Column2和B_Column2相關的
1、首先建立合並列表
分別在A和B數據中建立一個混合列mixture
在A中 mixture = A_Column1 + A_Column2 就是把 A_Column1 和 A_Column2兩列的數據合並到mixture列里面，
同理，在B中 mixture = B_Column1+ B_Column2
2、尋找一個候選集
這個過程就是使用重疊系數連接兩個表，我們可以使用混合列創建所需的候選集（我們稱之為C）。
注意：這個過程中threshold這個參數代碼這要C這個集合中要創建一列_sim_score ，表示相似度分數，如何經過匹配_sim_score 的數據小於0.65，那么就是不合格的，說白了就是相識度很小，
threshold這個設置的過多大，導致可能C的集合很小，值越大代表數據相識度越大 ，threshold最大值是1，代表匹配數據完全一樣，值越小代表數據相識度越小，如果所有數據的匹配結果都小於threshold的值，那么
C就是空集合，因此這個值要根據選擇的匹配列數進行設置。
3、指定要素
就是指定在py_entitymatching程序包中哪些列對應於各個數據幀中的要素
4、攔截工具故障排除
確保候選集足夠松動，能夠容納並不十分接近的電影配對。如果不是這樣，那么可能我們已經清除了可能潛在匹配的配對
5、從候選集采樣
目標是從候選集中獲取一個樣本，並手動標記抽樣候選者；也就是指定候選配對是否是正確的匹配。
要在導出的labeled.csv文件中增加一個label列，根據_sim_score列的數據和實際數據情況，來人為的判斷是否是正確的匹配，如果是則在label列中填入數值1，否則，填入數值0
注意：這個label.csv數據集合實際上作為下面機器學習一個訓練集，因此這個label列數據之間影響下面機器學習的效果。
6、機器學習算法訓練
下面用了幾種機器學習算法
在應用任何機器學習方法之前，我們需要抽取一組功能。幸運地是，一旦我們指定兩個數據集中的哪些列相互對應，py_entitymatching程序包就可以自動抽取一組功能。指定兩個數據集的列之間的對應性，
將啟動以下代碼片段。然后，它使用py_entitymatching程序包確定各列的類型。通過考慮（變量l_attr_types和r_attr_types中存儲的）各個數據集中列的類型，並使用軟件包推薦的編譯器和類似功能，我們可以抽取一組
用於抽取功能的說明。請注意，變量F並非所抽取功能的集合，相反，它會對說明編碼以處理功能。
考慮所需功能的集合F，現在我們可以計算訓練數據的功能值，並找出我們數據中丟失數值的原因。在這種情況下，我們選擇將丟失值替換為列的平均值。
使用計算的功能，我們可以評估不同機器學習算法的性能，並為我們的匹配任務選擇最佳的算法。
7、評估匹配質量
評估匹配質量非常重要。可以針對此目的使用訓練集，並衡量隨機森林預測匹配的質量。我們可以發現，我們獲得最高精確性，並且能夠重現測試集。
8、使用訓練的模型匹配數據集
使用訓練的模型對兩個標記進行如下匹配
請注意，匹配數據幀包含了很多存儲數據集抽取功能的列。以下代碼片段移除了所有非必要的列，並創建一個格式良好的擁有最終形成的整合數據集的數據幀。
