Question

我从网上拿了这个例子。我的文件包含：

文件1：

访问目的：进行身体检查。

患者病史：这是这位56岁女性的首次入院，在入院前一周，她表示自己处于健康状态。那时她注意到胸痛的突然发作（几秒到一分钟），她描述为性格暗沉和疼痛。疼痛始于左侧胸骨区，并向颈部辐射。

药物：1。批评。 2. p.n.b.s

系统评论：

HEENT：

每个周末有1或2瓶啤酒;每周一次，晚餐一杯葡萄酒。

Cadiovascular：

参见HPI

文件2包含：

访问目的：进行身体检查。

患者病史：这是这位56岁女性的首次入院，在入院前一周，她表示自己处于健康状态。那时她注意到胸痛的突然发作（几秒到一分钟），她描述为性格暗沉和疼痛。疼痛始于左侧胸骨区，并向颈部辐射。她不吸烟也不吸烟。她3年前被诊断出患有高血压，6年前曾患过BSO。她不接受激素替代治疗。有早产CAD的家族史。她不知道她的胆固醇水平。

药物：1。批评。 2. Flexon

系统评论：

HEENT：

每个周末有1或2瓶啤酒;每周一次，晚餐一杯葡萄酒。

Cadiovascular：见HPI

生殖泌尿：没有关于排尿困难，夜尿，多尿，血尿或阴道出血的抱怨。

我正在考虑在（。）的基础上拆分文件中的每一行，并在（:)的基础上拆分。但有时在文件中我也有3.5或在医学部分所有药物被分开（。）像药1你好。 2嗨。

如何计算两个文件的这些部分之间的相似性得分。

Answer 1

您可以使用difflib模块。

该模块提供用于比较序列的类和函数。它可以用于例如比较文件，并且可以以各种格式产生差异信息，包括HTML和上下文以及统一差异。有关目录和文件的比较，另请参阅filecmp模块。

在您的情况下，您需要difflib.SequenceMatcher，类来比较任何类型的序列对，只要序列元素是可清除的。

示例示例：

from difflib import SequenceMatcher
text_1 = "private Thread currentThread;"
text_2 = "private volatile Thread currentThread;"
s = SequenceMatcher(lambda x: x == " ",
                    text_1,
                    text_2)

现在，要测量序列的相似性，请使用ratio()，在float中返回[0, 1]。根据经验， ratio（）值超过0.6意味着序列是紧密匹配。

>>> s.ratio()
0.8656716417910447

在两个文档之间找到类似的句子，并计算整个文档中每个部分的相似性得分

1 个答案: