Bir dizenin Python'daki başka bir dizeye benzer olma olasılığını nasıl elde edebilirim?

0.9 (yani% 90) vb. Gibi bir ondalık değer almak istiyorum. Tercihen standart Python ve kütüphane ile.

Örneğin

similar("Apple","Appel") #would have a high prob.

similar("Apple","Mango") #would have a lower prob.

Bir yerleşik var.

from difflib import SequenceMatcher

def similar(a, b):
    return SequenceMatcher(None, a, b).ratio()

Kullanma:

>>> similar("Apple","Appel")
0.8
>>> similar("Apple","Mango")
0.0

Sanırım belki dizeler arasındaki mesafeyi tanımlayan bir algoritma arıyorsunuz. İşte başvurabileceğiniz bazıları:

1. Hamming mesafesi
2. Levenshtein mesafesi
3. Damerau – Levenshtein mesafesi
4. Jaro – Winkler mesafesi

1.Çözüm: Python yerleşik

kullanmak SequenceMatcher gelen difflib

artıları : yerli python kütüphanesi, ekstra pakete gerek yok.
eksileri : çok sınırlı, orada dize benzerliği için çok iyi algoritmalar vardır.

>>> from difflib import SequenceMatcher
>>> s = SequenceMatcher(None, "abcd", "bcde")
>>> s.ratio()
0.75

Çözüm # 2: Denizanası Kütüphanesi

onun iyi kapsama alanı ve az sayıda sorunları ile çok iyi bir kütüphane. destekliyor:
- Levenshtein Mesafesi
- Damerau-Levenshtein Mesafesi
- Jaro Mesafesi
- Jaro-Winkler Mesafesi
- Maç Derecesi Yaklaşım Karşılaştırması
- Hamming Mesafesi

artıları : kullanımı kolay, desteklenen algoritma gamı, test edilmiştir.
eksileri : yerel kütüphane değil.

örnek :

>>> import jellyfish
>>> jellyfish.levenshtein_distance(u'jellyfish', u'smellyfish')
2
>>> jellyfish.jaro_distance(u'jellyfish', u'smellyfish')
0.89629629629629637
>>> jellyfish.damerau_levenshtein_distance(u'jellyfish', u'jellyfihs')
1

Fuzzy WuzzyPython'da Levenshtein mesafesini uygulayan, iki farklı dizenin aynı olarak değerlendirilmesini isteyebileceğiniz bazı durumlarda yardımcı olacak bazı yardımcı işlevlere sahip bir pakettir . Örneğin:

>>> fuzz.ratio("fuzzy wuzzy was a bear", "wuzzy fuzzy was a bear")
    91
>>> fuzz.token_sort_ratio("fuzzy wuzzy was a bear", "wuzzy fuzzy was a bear")
    100

Şunun gibi bir işlev oluşturabilirsiniz:

def similar(w1, w2):
    w1 = w1 + ' ' * (len(w2) - len(w1))
    w2 = w2 + ' ' * (len(w1) - len(w2))
    return sum(1 if i == j else 0 for i, j in zip(w1, w2)) / float(len(w1))

Paket mesafesi Levenshtein mesafesini içerir:

import distance
distance.levenshtein("lenvestein", "levenshtein")
# 3

Yerleşik SequenceMatcherbüyük girişte çok yavaş, işte fark eşleştirme yamasıyla nasıl yapılabilir :

from diff_match_patch import diff_match_patch

def compute_similarity_and_diff(text1, text2):
    dmp = diff_match_patch()
    dmp.Diff_Timeout = 0.0
    diff = dmp.diff_main(text1, text2, False)

    # similarity
    common_text = sum([len(txt) for op, txt in diff if op == 0])
    text_length = max(len(text1), len(text2))
    sim = common_text / text_length

    return sim, diff

Not, difflib.SequenceMatcher sadece en uzun bitişik eşleştirme dizisini bulur, bu genellikle istenen şey değildir, örneğin:

>>> a1 = "Apple"
>>> a2 = "Appel"
>>> a1 *= 50
>>> a2 *= 50
>>> SequenceMatcher(None, a1, a2).ratio()
0.012  # very low
>>> SequenceMatcher(None, a1, a2).get_matching_blocks()
[Match(a=0, b=0, size=3), Match(a=250, b=250, size=0)]  # only the first block is recorded

İki tel arasındaki benzerliği bulmak biyoinformatikte ikili dizi hizalaması kavramı ile yakından ilgilidir. Bunun için biyopthon da dahil olmak üzere birçok özel kütüphane bulunmaktadır . Bu örnek, Needleman Wunsch algoritmasını uygular :

>>> from Bio.Align import PairwiseAligner
>>> aligner = PairwiseAligner()
>>> aligner.score(a1, a2)
200.0
>>> aligner.algorithm
'Needleman-Wunsch'

Biyopthon veya başka bir biyoinformatik paketi kullanmak, birçok farklı skorlama şeması ve algoritması bulunduğundan, python standart kütüphanesinin herhangi bir kısmından daha esnektir. Ayrıca, neler olduğunu görselleştirmek için eşleşen dizileri alabilirsiniz:

>>> alignment = next(aligner.align(a1, a2))
>>> alignment.score
200.0
>>> print(alignment)
Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-Apple-
|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-|||-|-
App-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-elApp-el

Metin benzerlik yöntemlerinin çoğunu ve bunların nasıl hesaplandığını bu bağlantı altında bulabilirsiniz: https://github.com/luozhouyang/python-string-slikeity#python-string-seberity Burada bazı örnekler;

• Normalleştirilmiş, metrik, benzerlik ve mesafe

• (Normalize) benzerlik ve mesafe

• Metrik mesafeler

• Zona (n-gram) tabanlı benzerlik ve mesafe
• Levenshtein
• Normalize Edilmiş Levenshtein
• Ağırlıklı Levenshtein
• Damerau-Levenshtein
• Optimal Dize Hizalama
• Jaro-Winkler
• En Uzun Ortak Subququence
• Metrik En Uzun Ortak Alt Sıra
• N-gram
• Shingle (n-gram) tabanlı algoritmalar
• S-gram
• Kosinüs benzerliği
• Jaccard endeksi
• Sorensen-Zar katsayısı
• Çakışma katsayısı (yani, Szymkiewicz-Simpson)