Question

我试图将一些文字与预先建立的单词列表进行比较，特别是车辆制造商。问题在于我所比较的文本是由人类编写的，并不总是可靠的。

例如，我想找到＆＃34; Harley Davidson＆＃34;但文本实际上说＆＃34; Hardley Davidson＆＃34;或其他一些粗心的错字。

我不认为我可以使用正则表达式来解决这个问题...或者我可以吗？是否有部分字符串匹配功能？也许我可以定义必须匹配的字符串的百分比。

Answer 1

您可以使用fuzzywuzzy模块

from fuzzywuzzy import fuzz
fuzz.partial_ratio("Harley Davidson","Hardley Davidson")
93

有关模糊模糊的更多信息，请尝试使用此link

Answer 2

称为编辑距离：https://en.wikipedia.org/wiki/Edit_distance 你可以使用NLTK或Levensthein来做到这一点 https://pypi.python.org/pypi/python-Levenshtein/

以下是使用Levenshtein（比nltk edit_distance函数更快）的示例，您首先要安装库（提供链接）：

# -*- coding:utf-8 -*-
import Levenshtein

mylist = ["harley davidson", "kawazaki"]

for element in mylist:
    if Levenshtein.distance(element.lower(), "Hardley Davidson".lower()) == 1:
        print("same word with mispelling")

btw：

我在这里放下了一切你可以做到的事情
如果误导是倍数，你可以比一个更远的距离

使用Python进行部分字符串匹配

2 个答案: