Question

任务：获取两个文本文件并输出100％匹配和75％匹配。

解决方案：

import difflib
import csv

# Imports and parses the files
fileA = open("H:/comm.names.txt", 'r')
try:
        setA = fileA.readlines()
finally:    
        fileA.close()

fileB = open("H:/acad.names.txt", 'r')
try:
        setB = fileB.readlines()
finally:    
        fileB.close()

# 100% Match
setMatch100 = set(setA).intersection(setB)

Match100 = open("H:\Match100.txt", 'w')
try:
    for item in setMatch100:
        Match100.write(item)
finally:
    Match100.close()

# Remove 100% matches from the two lists
setA_LeftOver = set(setA).difference(setMatch100)
setB_LeftOver = set(setB).difference(setMatch100)

#Return the best match for setA_LeftOver[i] in setB_LeftOver that is at least 75% matching.
fMatch75 = open("H:\Match75.csv", 'w')
Match75 = csv.writer(fMatch75)
try:
    Match75.writerow(['File A', 'File B'])
    for item in setA_LeftOver:
                match = difflib.get_close_matches(item, setB_LeftOver, 1, 0.75)
                if len(match) > 0:
                        row = [item.rstrip(), match[0].rstrip()]
                        Match75.writerow(row)


finally:
    fMatch75.close()

问题：这有效，但效果不是很好。以下是匹配示例：

Fovea Pharmaceuticals SA Kobe Pharmaceutical Univ

我无法将Diff中的最小百分比调高太多，因为我需要能够将Univ与大学相匹配。另外，我不能确保第一个单词匹配，因为某些字符串以“The”开头，需要与排除“The”的字符串匹配。任何人都可以指出我的方向会抛出技术上75％相似的匹配，但对人类来说根本不相似吗？

Answer 1

我会尝试使用pylevenshtein等工具比较字符串。它允许模糊字符串比较。

Answer 2

我最后编写了一个最常用的单词脚本，然后删除了最常用的单词。这显着改善了我在@ e-satisf在他的评论中提出的结果。然而，difflib给了我比pylevenshtein更好的结果，所以我无法将他的答案标记为被接受。

改进Python中的模糊匹配算法

2 个答案: