Question

我正在尝试从股票名称列表中找到最匹配的单词，尽管在后面的单词可能具有更多的字符，但我希望将优先级放在前面的单词而不是后面的单词。

例如。

“ SG HOLDINGS”和“ S2 HOLDINGS”

与“ SG HOLDING”和“ SG Corp”相比，序列匹配器将显示这两个词具有更高的相似率，但是后者实际上是我正在寻找的公司。如何在股票名称前面的单词加上更多的分量？我还可以使用其他库吗？

谢谢

Answer 1

如果所有名称的格式均为PREFIX SUFFIX，则可以拆分名称，然后将序列匹配器首先应用于前缀，然后应用于后缀，然后将距离（假设为Levenshtein distance）打包成元组，您得到：

1. ('SG', 'HOLDINGS') vs ('S2', 'HOLDINGS') → (1, 0)
2. ('SG', 'HOLDINGS') vs ('SG', 'Corp')     → (0, 8)
3. ('SG', 'HOLDINGS') vs ('SG', 'HOLD')     → (0, 4)
4. ('SG', 'HOLDINGS') vs ('S2', 'HOLDING')  → (1, 1)

当您按距离升序对距离的元组进行排序时，顺序将为[3, 2, 1, 4]。

如果股票名称包含不同数量的单词，则可以用最长的名称（例如，最长的名称是“ Samsung Electronics Ord Shares”；它包含4个单词）对单词进行计数，然后扩展所有其他名称-在计算距离之前，用空字符串将元组分开以匹配此长度。也就是说，您将使用('SG', 'HOLDINGS', '', '')。

新距离：

1. ('SG', 'HOLDINGS', '', '') vs ('S2', 'HOLDINGS', '', '') → (1, 0, 0, 0)
2. ('SG', 'HOLDINGS', '', '') vs ('SG', 'Corp', '', '')     → (0, 8, 0, 0)
3. ('SG', 'HOLDINGS', '', '') vs ('Samsung', 'E', 'O', 'S') → (6, 8, 1, 1)

现在排序为[2, 1, 3]。

python中基于优先级序列的序列匹配器

1 个答案: