python – 计算两个字符串之间距离的算法

是否有任何字符串距离算法没有考虑到单词的顺序？

以下算法未提供所需结果(在该示例中,所需结果应为1)：

import jaro
jaro.jaro_winkler_metric(u'Michael Jordan',u'Jordan Michael')
>>>0.47

import Levenshtein
Levenshtein.ratio('Michael Jordan','Jordan Michael')
>>>0.5

from difflib import SequenceMatcher
SequenceMatcher(None,'Michael Jordan','Jordan Michael').ratio()
>>>0.5

制作它的一种方法是按字母顺序排列字符串,然后使用上述算法：

''.join(sorted('Michael Jordan'))
>>>' JMaacdehilnor'

''.join(sorted('Jordan Michael'))
>>>' JMaacdehilnor'

但是这里姓名和姓氏的信息丢失了,不会有“稳定”的结果.

我使用itertools的排列创建了一个函数,它接受所有可能的单词编译并比较字符串并输出最大值.结果令人满意,但是当我必须比较数百万个名字时,整个程序真的很慢.

可以做的其他事情是对单词进行排序,例如：

' '.join(sorted('Michael Jordan'.split()))
>>>'Jordan Michael'
' '.join(sorted('Jordan Michael'.split()))
>>>'Jordan Michael'

似乎很好的方式和简单的方法来减少计算,但我们放松了一些敏感的情况.例：

name1 = ' '.join(sorted('Bizen Dim'.split()))
>>>'Bizen Dim'
name2 = ' '.join(sorted('Dim Mpizen'.split()))
>>>'Dim Mpizen'

SequenceMatcher(None,name1,name2).ratio()
>>>  0.55

这两个名字是相同的,有些人将’他们的名字’从’b’翻译成’mp'(我就是其中之一).用这种方式我们就失去了这个’匹配’.

是否有任何字符串距离算法比较单词而不考虑单词的顺序？或者是否有建议如何有效地实现所需的功能？

最佳答案

试试fuzzywuzzy

安装：

pip install fuzzywuzzy
pip install python-Levenshtein

使用顺序无关紧要：

fuzz.token_sort_ratio(u'Michael Jordan',u'Jordan Michael')
>>100