有没有不考虑单词顺序的字符串距离算法?在
以下算法未给出所需结果(在该示例中,所需结果应为1):
import jaro
jaro.jaro_winkler_metric(u'Michael Jordan',u'Jordan Michael')
>>>0.47
import Levenshtein
Levenshtein.ratio('Michael Jordan', 'Jordan Michael')
>>>0.5
from difflib import SequenceMatcher
SequenceMatcher(None, 'Michael Jordan', 'Jordan Michael').ratio()
>>>0.5
一种方法是按字母顺序排列字符串,然后再使用上述算法:
^{pr2}$但这里的姓名和姓氏信息丢失,不会有“稳定”的结果。在
我创建了一个函数,使用来自itertools
的permutations
,它接受所有可能的单词编译,并比较字符串并输出最大值。结果是令人满意的,但整个过程是非常缓慢的,当我要比较数以百万计的名字。在
可以做的其他事情是对单词进行排序,例如:
' '.join(sorted('Michael Jordan'.split()))
>>>'Jordan Michael'
' '.join(sorted('Jordan Michael'.split()))
>>>'Jordan Michael'
似乎是一个很好的方法和简单的方法来减少计算,但我们失去了一些敏感的情况。示例:
name1 = ' '.join(sorted('Bizen Dim'.split()))
>>>'Bizen Dim'
name2 = ' '.join(sorted('Dim Mpizen'.split()))
>>>'Dim Mpizen'
SequenceMatcher(None, name1, name2).ratio()
>>> 0.55
这两个名字和人们把自己的名字从“b”翻译成“mp”的情况是一样的(我就是其中之一)。用这种方法我们就失去了这场比赛。在
有没有字符串距离算法可以比较单词而不考虑单词的顺序?或者,是否有关于如何有效地实现预期功能的建议?在
试着转换成小写,然后排序。使用原始字符串排序的问题是python认为大写字母的顺序更高。(如果你要去levenshtein distance,空间应该不是问题)
然后使用
.index()
方法来获得子字符串的位置。(您也可以使用this answer,它使用re
模块并使其更加可变)您可以标记这两个字符串(例如,使用NLTK标记器),计算每个词对之间的距离并返回所有距离的总和。在
尝试fuzzywuzzy
安装:
使用顺序不重要:
^{pr2}$相关问题 更多 >
编程相关推荐