Question

我有一个小问题，我试图将其中的两个单词列表进行比较以建立相似度百分比，但这就是问题，如果每个列表中有两次相同的单词，则得出错误的百分比。 / p>

首先，我编写了这个小脚本：

data1 = ['test', 'super', 'class', 'test', 'boom']
data2 = ['test', 'super', 'class', 'test', 'boom']
res = 0
nb = (len(data1) + len(data2)) / 2
if data1 and data2 and nb != 0:
    for id1, item1 in enumerate(data1):
        for id2, item2 in enumerate(data2):
            if item1 == item2:
                res += 1 - abs(id1 - id2) / nb
    print(res / nb * 100)

问题是，如果我在列表中有2次相同单词，则该百分比将大于100％。因此，为了解决这个问题，我在“ res + = 1-abs（id1-id2）/ nb”行之后添加了一个“ break”，但是该百分比仍然是伪造的。

希望您能理解我的问题，谢谢您的帮助！

Answer 1

您可以使用difflib.SequenceMatcher来比较两个列表的相似性。试试这个：

from difflib import SequenceMatcher as sm
data1 = ['test', 'super', 'class', 'test', 'boom']
data2 = ['test', 'super', 'class', 'test', 'boom']
matching_percentage = sm(None, data1, data2).ratio() * 100

输出：

100.0

Answer 2

data1 = ['test', 'super', 'class', 'test', 'boom']
data2 = ['test', 'super', 'class', 'test', 'boom']
from collections import defaultdict

dic1 =defaultdict(int)
dic2=defaultdict(int)

for i in data1:
    dic1[i]+=1

for i in data2:
    dic2[i]+=1

count = 0

for i in dic1:
    if i in dic2.keys():
        count+=abs(dic2[i]-dic1[i])


result =( (1-count/(len(data1)+len(data2))) *100)

输出

100.0

Answer 3

尝试以下代码：

data1 = ['test', 'super', 'class', 'class', 'test', 'boom']
data2 = ['test', 'super', 'class', 'class', 'test', 'boom']
res = 0
nb = (len(data1) + len(data2)) / 2.0

def pos_iter(index, sz):
    yield index
    i1 = index - 1
    i2 = index + 1
    while i1 >=0 and i2 < sz:
        if i1 >= 0:
            yield i1
            i1 -=1
        if i2 < sz:
            yield i2
            i2 += 1
if data1 and data2 and nb != 0:
    for id1, item1 in enumerate(data1):
        for id2 in pos_iter(id1, len(data2)):
            item2 = data2[id2]
            if item1 == item2:
                res += max(0, 1 - abs(id1 - id2) / nb)
                break
    print(res / nb * 100)

代码存在的问题是，您总是从头开始在第二data2中寻找匹配的单词。如果单词重复，这将给您无效的值。您需要始终在data1中搜索单词的“周围”位置，因为您要查找最接近的位置。

此外，您还需要休息一下，否则带有相同单词的文本将超过1.0。您的nb变量必须为double（否则python2将对除法结果取整）。并且您应该确保1 - abs(id1 - id2) / nb大于零，因此我添加了max(0, ...)。

Python-比较两个列表时出现循环问题

3 个答案: