Python中的模糊字符串比较，与使用哪个库相混淆

Question

我想进行模糊字符串比较，但与要使用的库混淆。

选项1：

import Levenshtein
Levenshtein.ratio('hello world', 'hello')

Result: 0.625

选项2：

import difflib
difflib.SequenceMatcher(None, 'hello world', 'hello').ratio()

Result: 0.625

在这个例子中，两者都给出了相同的答案。但我更喜欢使用difflib。专家的任何建议。感谢。

Updated:

我正在进行临床信息规范化（拼写检查），其中我针对900,000字医学字典检查每个给定的单词。我更关注时间复杂度/性能。

你认为在这种情况下两者的表现都相似吗。

Answer 1

如果您对Levenshtein和Difflib相似性的快速视觉比较感兴趣，我计算了约230万本书名：

import codecs, difflib, Levenshtein, distance

with codecs.open("titles.tsv","r","utf-8") as f:
    title_list = f.read().split("\n")[:-1]

    for row in title_list:

        sr      = row.lower().split("\t")

        diffl   = difflib.SequenceMatcher(None, sr[3], sr[4]).ratio()
        lev     = Levenshtein.ratio(sr[3], sr[4]) 
        sor     = 1 - distance.sorensen(sr[3], sr[4])
        jac     = 1 - distance.jaccard(sr[3], sr[4])

        print diffl, lev, sor, jac

然后我用R：

绘制了结果

严格来说，我也比较了Difflib，Levenshtein，Sørensen和Jaccard的相似度值：

library(ggplot2)
require(GGally)

difflib <- read.table("similarity_measures.txt", sep = " ")
colnames(difflib) <- c("difflib", "levenshtein", "sorensen", "jaccard")

ggpairs(difflib)

结果：

Difflib / Levenshtein的相似性非常有趣。

2018编辑：如果您正在努力识别类似的字符串，您还可以查看minhashing - 有一个great overview here。 Minhashing在线性时间内在大型文本集中找到相似之处是惊人的。我的实验室整理了一个应用程序，可以使用minhashing检测并可视化文本重用：https://github.com/YaleDHLab/intertext

Answer 2

• difflib.SequenceMatcher使用Ratcliff/Obershelp算法计算匹配字符的加倍数除以两个字符串中的字符总数。

• Levenshtein使用Levenshtein algorithm计算将一个字符串转换为另一个字符串所需的最少编辑次数

<强>复杂性

SequenceMatcher是最坏情况下的二次时间，其预期情况行为依赖于序列共有多少元素的复杂方式。 （from here）

Levenshtein是O（m * n），其中n和m是两个输入字符串的长度。

<强>性能

根据Levenshtein模块的source code： Levenshtein与difflib（SequenceMatcher）有一些重叠。它只支持字符串，而不支持任意序列类型，但另一方面它更快。