Python中的高性能模糊字符串比较,使用Levenshtein或difflib

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了Python中的高性能模糊字符串比较,使用Levenshtein或difflib，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1455字，纯文字阅读大概需要3分钟。

内容图文

我正在进行临床信息规范化(拼写检查),其中我检查每个给定的单词对900,000字的医学词典.我更关注时间复杂度/性能.

我想做模糊字符串比较,但我不确定使用哪个库.

选项1：

import Levenshtein
Levenshtein.ratio('hello world', 'hello')

Result: 0.625

选项2：

import difflib
difflib.SequenceMatcher(None, 'hello world', 'hello').ratio()

Result: 0.625

在这个例子中,两者给出相同的答案.在这种情况下,你认为两者都表现相似吗？

解决方法:

如果您对Levenshtein和Difflib相似性的快速视觉比较感兴趣,我计算了约230万本书籍：

import codecs, difflib, Levenshtein, distance

with codecs.open("titles.tsv","r","utf-8") as f:
    title_list = f.read().split("\n")[:-1]

    for row in title_list:

        sr      = row.lower().split("\t")

        diffl   = difflib.SequenceMatcher(None, sr[3], sr[4]).ratio()
        lev     = Levenshtein.ratio(sr[3], sr[4]) 
        sor     = 1 - distance.sorensen(sr[3], sr[4])
        jac     = 1 - distance.jaccard(sr[3], sr[4])

        print diffl, lev, sor, jac

然后我用R绘制结果：

严格来说,我也比较了Difflib,Levenshtein,Sørensen和Jaccard相似度值：

library(ggplot2)
require(GGally)

difflib <- read.table("similarity_measures.txt", sep = " ")
colnames(difflib) <- c("difflib", "levenshtein", "sorensen", "jaccard")

ggpairs(difflib)

结果：

Difflib / Levenshtein的相似性确实非常有趣.

2018年编辑：如果你正在努力识别相似的字符串,你也可以查看minhashing – 这是一个great overview here.Minhashing在线性时间内找到大文本集合中的相似性是惊人的.我的实验室整理了一个应用程序,使用minhashing检测并可视化文本重用：https://github.com/YaleDHLab/intertext

内容总结

以上是互联网集市为您收集整理的Python中的高性能模糊字符串比较,使用Levenshtein或difflib全部内容，希望文章能够帮你解决Python中的高性能模糊字符串比较,使用Levenshtein或difflib所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端