Question

从列表中删除类似字符串的有效方法是什么？

考虑由这些（和其他）字符串组成的List<string>：

“SRS INVESTMENT MANAGEMENT，LLC”

“SRS投资管理”

“Maplelane Capital，Ltd。”

“Maplelane Capital，Limited”

所以我需要做的是删除“足够相似”的字符串。我的想法是，这应该通过大写列表的所有字符串来完成，然后删除除了另一个字符串的最后X个字符之外的所有字符串。最后，我希望这给我留下一个列表，其中只包含一个字符串，用于他们实际代表的每个真实公司。

关于如何实现这一目标的任何想法？

Answer 1

您可以首先创建一个例程，用完整的单词替换明显的缩写，然后删除空格。好消息是，公司对公司名称有严格的规定。例如，您不能拥有一家名为＆B; B＆amp; B的公司。 C Ltd＆＃39;，如果＆＃39; Band C Ltd＆＃39;已经存在。之后，您将需要开始考虑匹配算法，例如Levenshteins和Soundex。

Answer 2

我建议你创建一个IEqualityComparer来封装逻辑，以确定两个字符串是否相等。

一个例子，如果你想混合和匹配SoundEx和Levenshtein可能类似

public class CompanyNameComparer : IEqualityComparer<string>
{

    public bool Equals(string x, string y)
    {
        if (x == null && y == null)
        {
            return true;
        }
        if (x == null || y == null)
        {
            return false;
        }

        var src1 = FormatString(x);
        var src2 = FormatString(y);

        if (src1 == src2)
        {
            return true;
        }

        var difference = CalcLevenshteinDistance(src1, src2);

        // arbitrary number you will need to find what works
        return difference < 7;
    }

    private string FormatString(string source)
    {
        return source.Trim().ToUpper();
    }

    // code taken from http://stackoverflow.com/a/9453762/1798889
    private int CalcLevenshteinDistance(string a, string b)
    {
       // code not included 
    }

    public int GetHashCode(string obj)
    {
        return Soundex(obj).GetHashCode();
    }

    private string Soundex(string data)
    {
        // code not included 
    }
}

我没有包含所有代码，因为这不是主要观点。只有你会知道SoundEx和Levenshtein是否会起作用，或者它是否需要成为其他东西。但是如果你把它的决定放在它自己的类中，如果它需要调整它只是一个需要改变的地方。

然后，您可以使用Linq或HashSet获取唯一列表。假设data是List

变量的名称

var uniqueEnumerable = data.Distinct(new CompanyNameComparer());
var uniqueSet = new HashSet<string>(data, new CompanyNameComparer());

如何从列表中删除类似的字符串？

2 个答案: