首页
学习
活动
专区
工具
TVP
发布
社区首页 >问答首页 >Python中的高性能模糊字符串比较,使用Levenshtein或difflib

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

Stack Overflow用户
提问于 2011-07-14 16:56:38
回答 1查看 79.7K关注 0票数 164

我正在做临床消息规范化(拼写检查),我根据900,000个单词的医学字典检查每个给定的单词。我更关心的是时间复杂度/性能。

我想做模糊字符串比较,但是我不确定使用哪个库。

选项1:

代码语言:javascript
复制
import Levenshtein
Levenshtein.ratio('hello world', 'hello')

Result: 0.625

选项2:

代码语言:javascript
复制
import difflib
difflib.SequenceMatcher(None, 'hello world', 'hello').ratio()

Result: 0.625

在本例中,两者给出了相同的答案。你认为两者在这种情况下的表现是一样的吗?

EN

回答 1

Stack Overflow用户

发布于 2015-07-06 09:11:07

如果你对Levenshtein和Difflib相似度的快速视觉比较感兴趣,我计算了大约230万个书名:

代码语言:javascript
复制
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绘制了结果:

出于好奇,我还比较了Difflib、Levenshtein、Sørensen和Jaccard的相似值:

代码语言:javascript
复制
library(ggplot2)
require(GGally)

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

ggpairs(difflib)

结果:

Difflib和Levenshtein的相似性真的很有趣。

2018编辑:如果你正致力于识别类似的字符串,你也可以查看minhashing-有一个great overview here。Minhashing在线性时间内找到大型文本集合中的相似性方面令人惊叹。我的实验室组装了一个使用minhashing检测和可视化文本重用的应用程序:https://github.com/YaleDHLab/intertext

票数 193
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/6690739

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档