似乎您希望首先使用共享密钥将数据集放在一起，在这种情况下是公司名称。这听起来不像是建模问题，而是数据争论问题。

假设每个数据集都在 csv 中，然后将它们放入 pandas 数据框：

df_a = pd.read_csv('data_set_a.csv')

然后假设您在 df_a、df_b、df_c 中有数据集，并且每个数据集都有一个“名称”列：

df_a.name = df_a.name.str.lower()
df_a.name = [i.split()[0] for i in df_a.name]

现在您将拥有一个数据集，其中三个都是“facebook”。然后可以将三个数据框合并为一个：

df = pd.merge(df_a, df_b, left_on='name', right_on='name')
df = pd.merge(df, df_c, left_on='name', right_on='name')

现在您已经合并了三个不同的数据集，并准备好进行分析。

您可以根据编辑距离考虑字符串相似度。例如：Levenshtein 距离

但是，您还需要针对字符串的前缀进行计算，而不仅仅是完整的字符串。（例如：将“Facebook”与“Facebook Inc.”进行比较）。还要在比较之前规范化字符串的大写（使它们全部小写等），并且可能还删除标点符号。

尝试上述一些方法，看看结果是否有意义，并相应地微调方法。使用其他元数据也会有所帮助。出现在公司名称周围的 URL 和上下文/主题词/实体将与公司相关联，并且可以帮助找到正确的分组。不过，这将涉及更多，因此如果更简单的方法还不够，您可能希望稍后再尝试。