Question

我有很多字符串要匹配相似性（每个字符串平均为30个字符）。我发现difflib's SequenceMatcher非常适合这项任务，因为它很简单，结果很好。但是如果我像这样比较hellboy和hell-boy

>>> sm=SequenceMatcher(lambda x:x=='-','hellboy','hell-boy')
>>> sm.ratio()
0: 0.93333333333333335

我想要这样的话给出100％的匹配，即ratio of 1.0。我知道上面函数中指定的垃圾字符不用于比较，而是查找最长的连续匹配子序列。 我是否可以通过某种方式让SequenceMatcher忽略某些“垃圾”字符以进行比较？

Answer 1

如果您希望按照我在评论中建议的那样做，（删除垃圾字符），最快的方法是使用str.translate()。

E.g：

to_compare = to_compare.translate(None, {"-"})

如图所示here，这比正则表达式显着（3倍）更快（我感觉更好）。

请注意，在Python 3.x下，或者如果您在Python 2.x下使用Unicode，这将不起作用，因为不接受delchars参数。在这种情况下，您只需要映射到None。 E.g：

translation_map = str.maketrans({"-": None})
to_compare = to_compare.translate(translation_map)

如果你想要删除很多字符，你可以使用一个小函数来保存一些输入，只需要设置并传递：

def to_translation_map(iterable):
    return {key: None for key in iterable}
    #return dict((key, None) for key in iterable) #For old versions of Python without dict comps.

Answer 2

如果您要创建一个函数来移除所有垃圾字符，您可以使用re：

string=re.sub('-|_|\*','',string)

正则表达式'-|_|\*'的

只是放了一个|在所有垃圾字符之间，如果它是一个特殊的重新字符，则在其前加\（如*和+）

使difflib的SequenceMatcher忽略“垃圾”字符

2 个答案: