在本教程中,我们将学习如何使用 Python 内置的fuzzywuzzi库匹配字符串,并使用各种示例确定它们是如何相似的。
介绍
Python 提供了几种比较两个字符串的方法。下面给出几个主要方法。
- 使用 Regex
- 简单比较
- 使用 dfflib
但是还有一种方法可以有效地用于比较,称为模糊不清。这种方法在区分两个字符串指的是同一个事物时相当有效,但它们的写法略有不同。有时我们需要一个能自动识别错误拼写的程序。
这是一个寻找与给定模式匹配的字符串的过程。它使用 Levenshtein 距离来计算序列之间的差异。
该库可以帮助映射缺少公共键的数据库,例如按公司名称连接两个表,这两个表中的公共键有所不同。
例子
让我们看看下面的例子。
Str1 = "Welcome to Javatpoint"
Str2 = "Welcome to Javatpoint"
Result = Str1 == Str2
print(Result)
输出:
True
上面的代码返回 true,因为字符串完全匹配(100 %),如果我们在 str2 中进行更改会怎么样。
Str1 = "Welcome to Javatpoint"
Str2 = "welcome to Javatpoint"
Result = Str1 == Str2
print(Result)
输出:
False
上面的代码返回 false,字符串与人眼完全相同,但对于解释器来说不是这样。但是,我们可以通过将两个字符串都转换为小写来解决这个问题。
Str1 = "Welcome to Javatpoint"
Str2 = "welcome to Javatpoint"
Result = Str1.lower() == Str2.lower()
print(Result)
输出:
True
但是如果我们改变字符集,我们会遇到另一个问题。
Str1 = "Welcome to javatpoint."
Str2 = "Welcome to javatpoint"
Result = Str1.lower() == Str2.lower()
print(Result)
输出:
True
为了解决这类问题,我们需要更有效的工具来比较字符串。模糊不清是计算字符串的最佳工具。
勒温斯坦距离
leven stein 距离用于计算两个单词序列之间的距离。它计算给定字符串中我们需要更改的最小编辑次数。这些编辑可以是插入、删除或替换。
示例-
import numpy as np
def levenshtein_distance (s1, t1, ratio_calculation = False):
# Initialize matrix of zeros
rows = len(s1)+1
cols = len(t1)+1
calc_distance = np.zeros((rows,cols),dtype = int)
# Populate matrix of zeros with the indeces of each character of both strings
for i in range(1, rows):
for k in range(1,cols):
calc_distance[i][0] = i
calc_distance[0][k] = k
for col in range(1, cols):
for row in range(1, rows):
if s1[row-1] == t1[col-1]:
cost = 0
if ratio_calculation == True:
cost = 2
else:
cost = 1
calc_distance[row][col] = min(calc_distance[row-1][col] + 1, # Cost of deletions
calc_distance[row][col-1] + 1, # Cost of insertions
calc_distance[row-1][col-1] + cost) # Cost of substitutions
if ratio_calculation == True:
# Computation of the Levenshtein calc_distance Ratio
Ratio = ((len(s)+len(t)) - calc_distance[row][col]) / (len(s)+len(t))
return Ratio
else:
return "The strings are {} edits away".format(calc_distance[row][col])
我们将在前面的例子中使用上面的函数,我们试图比较“欢迎来到 javatpoint”欢迎来到“javatpoint”。我们可以看到两根弦很可能是一样的,因为 Levensthtein 的长度很小。
Str1 = "Welcome to Javatpoint"
Str2 = "welcome to Javatpoint"
Distance = levenshtein_distance(Str1,Str2)
print(Distance)
Ratio = levenshtein_distance(Str1,Str2,ratio_calc = True)
print(Ratio)
模糊不清的包裹
这个图书馆的名字有些奇怪和滑稽,但它是有利的。它有一种独特的方法来比较两个字符串,并返回 100 个匹配字符串中的分数。为了使用这个库,我们需要在 Python 环境中安装它。
装置
我们可以使用 pip 命令安装这个库。
pip install fuzzywuzzy
Collecting fuzzywuzzy
Downloading fuzzywuzzy-0.18.0-py2.py3-none-any.whl (18 kB)
Installing collected packages: fuzzywuzzy
Successfully installed fuzzywuzzy-0.18.0
现在键入以下命令并按回车键。
pip install python-Levenshtein
让我们了解一下模糊库的以下方法
模糊模块
fuzz 模块用于一次比较两个给定的字符串。在使用不同的方法进行比较后,它会返回 100 分。
模糊比率()
它是模糊模块的重要方法之一。它根据给定字符串的匹配程度来比较字符串和分数。让我们理解下面的例子。
示例-
from fuzzywuzzy import fuzz
Str1 = "Welcome to Javatpoint"
Str2 = "welcome to javatpoint"
Ratio = fuzz.ratio(Str1.lower(),Str2.lower())
print(Ratio)
输出:
100
从上面的代码中我们可以看到, fuzz.ratio() 方法返回了分数,这意味着字符串之间有非常微小的差异。
Fuzz.partial_ratio()
模糊不清的库提供了另一个强大的方法——偏比()。用于处理子串匹配等复杂的字符串比较。让我们看看下面的例子。
示例-
#importing the module from the fuzzywuzzy library
from fuzzywuzzy import fuzz
str1 = "Welcome to Javatpoint"
str2 = "tpoint"
Ratio = fuzz.ratio(str1.lower(),str2.lower())
Ratio_partial = fuzz.partial_ratio(str1.lower(),str2.lower())
print(Ratio)
print(Ratio_partial)
输出:
44
100
说明:
partial_ratio()方法可以检测子字符串。因此,它产生了 100%的相似性。它遵循最佳部分逻辑,其中短长度字符串 k 和长字符串 m,算法找到最佳匹配长度 k-子串。
Fuzz.token_sort_ratio
这种方法不能保证得到准确的结果,因为如果我们按照字符串的顺序进行更改。它可能不会给出准确的结果。
但是模糊的模块提供了解决方案。让我们理解下面的例子。
示例-
str1 = "united states v. nixon"
str2 = "Nixon v. United States"
Ratio = fuzz.ratio(str1.lower(),str2.lower())
Ratio_Partial = fuzz.partial_ratio(str1.lower(),str2.lower())
Ratio_Token = fuzz.token_sort_ratio(str1,str2)
print(Ratio)
print(Ratio_Partial)
print(Ratio_Token)
输出:
59
74
100
说明:
在上面的代码中,我们使用了 token_sort_ratio() 方法,该方法比 partial_ratio 具有优势。在此方法中,字符串标记按字母顺序排序并连接在一起。但是还有另一种情况,比如如果弦的长度相差很大怎么办。
让我们理解下面的例子。
示例-
str1 = "The supreme court case of Democratic vs Congress"
str2 = "Congress v. Democratic"
Ratio = fuzz.ratio(str1.lower(),str2.lower())
Partial_Ratio = fuzz.partial_ratio(str1.lower(),str2.lower())
Token_Sort_Ratio = fuzz.token_sort_ratio(str1,str2)
Token_Set_Ratio = fuzz.token_set_ratio(str1,str2)
print(Ratio)
print(Partial_Ratio)
print(Token_Sort_Ratio)
print(Token_Set_Ratio)
输出:
40
64
61
95
在上面的代码中,我们使用了另一个名为 fuzz.token_set_ratio() 的方法,该方法执行 set 操作,取出公共令牌,然后进行 ratio()成对比较。
排序后的标记的交集总是相同的,因为子字符串或较小的字符串由原始字符串的较大块组成,或者剩余的标记彼此更接近。
模糊不清的包提供了 流程 模块,允许我们计算相似度最高的字符串。让我们理解下面的例子。
示例-
from fuzzywuzzy import process
strToMatch = "Hello Good Morning"
givenOpt = ["hello","Hello Good","Morning","Good Evenining"]
ratios = process.extract(strToMatch,givenOpt)
print(ratios)
# We can choose the string that has highest matching percentage
high = process.extractOne(strToMatch,givenOpt)
print(high)
输出:
[('hello', 90), ('Hello Good', 90), ('Morning', 90), ('Good Evenining', 59)]
('hello', 90)
上面的代码将返回给定字符串列表的最高匹配百分比。
弗兹!雷托
过程模块还提供了 WRatio,,它给出了比简单比率更好的结果。它还处理小写和大写以及一些其他参数。让我们理解下面的例子。
示例-
from fuzzywuzzy import process
fuzz.WRatio('good morning', 'Good Morning')
fuzz.WRatio('good morning!!!','good Morning')
输出:
100
结论
在本教程中,我们讨论了如何匹配字符串并确定它们的紧密程度。我们已经举例说明了这个简单的例子,但它们足以说明计算机如何处理不匹配的字符串。许多现实生活中的应用,如拼写检查、生物信息学匹配、脱氧核糖核酸序列等。基于模糊逻辑。