排除字符串列表中的相似性以提取差异答案

【问题标题】：Exclude Similarities in List of Strings to extract the Difference排除字符串列表中的相似性以提取差异
【发布时间】：2018-04-09 00:37:12
【问题描述】：

除了书名之外，我有一个相同的句子列表。

如何遍历列表并排除相似之处以查找书名？

（这是一个例子，可以是任何相似的短句。）

《蝇王》这本书很经典。
《杀死一只知更鸟》这本书是经典之作。
《麦田里的守望者》这本书很经典。

我遇到的问题是我不能简单地使用regex 或Contains() 来查找句子中的标题，因为我不知道下一个句子或书名是什么。我正在从外部来源搜索很多，所以我想我可以提取相似词之间的内容。

The book named 麦田里的守望者 is a classic.

List<string> sentences = new List<string>() { };
List<string> titles = new List<string>() { };

sentences.Add("The book named Lord of the Flies is a classic.");
sentences.Add("The book named To Kill a Mockingbird is a classic.");
sentences.Add("The book named The Catcher in the Rye is a classic.");

foreach (String title in sentences)
{
    // what to do here?

    // add title to titles list
}

我的想法是将列表中的所有字符串相互比较，排除字符串的相似部分，并留下标题。但我不知道该怎么做。

【问题讨论】：

相反，这似乎是使用正则表达式的完美时间。 this 是你要找的吗？
我是否理解正确，在您的源数据中，包含书名的句子中有许多不同的前缀和后缀？不只是"The book named " 和" is a classic."？
@Enigmativity 是的，它可以是许多不同的前缀和后缀。但我总是在列表中添加类似的匹配字符串。
如果你的句子列表总是相似的，你可以只使用 Substring 来获取值，如果不是创建一个前缀和后缀列表，然后为每个句子循环通过前缀和后缀找到匹配.找到匹配项后，您可以使用 sentence[x].Substring() 使用匹配项的长度解析出标题。
如果它们始终相同，您也可以使用 .Replace 并将前缀和后缀替换为空字符串。

标签： c#

【解决方案1】：

这是一个有趣的问题，所以我玩了一下，想出了以下（麻烦的）解决方案：

找到任何句子具有不同字符的第一个索引，然后在相反的句子中做同样的事情，然后使用Substring 只提取句子的不同部分：

List<string> ExtractDifferences(List<string> sentences)
{
    var firstDiffIndex = GetFirstDifferenceIndex(sentences);
    var lastDiffIndex = GetFirstDifferenceIndex(sentences.Select(s => new string(s.Reverse().ToArray())).ToList());
    return sentences.Select(s => s.Substring(firstDiffIndex, s.Length - lastDiffIndex - firstDiffIndex)).ToList();
}


int GetFirstDifferenceIndex(IList<string> strings)
{
    int firstDifferenceIndex = int.MaxValue;

    for (int i = 0; i < strings.Count; i++)
    {
        var current = strings[i];
        var prev = strings[i == 0 ? strings.Count - 1 : i - 1];

        var firstDiffIndex = current
            .Select((c, j) => new { CurrentChar = c, Index = j })
            .FirstOrDefault(ci => ci.CurrentChar != prev[ci.Index])
            .Index;

        if (firstDiffIndex < firstDifferenceIndex)
        {
            firstDifferenceIndex = firstDiffIndex;
        }
    }
    return firstDifferenceIndex;
}

我猜GetFirstDifferenceIndex 方法可以用不同的方式编写，使用 linq 可能更好，但我没有足够的时间来玩它。

You can see a live demo on rextester.

【讨论】：

它在我的项目中运行良好。如果字符串中的后缀丢失，您知道如何将其更改为仍然有效吗？
如果没有后缀you don't need to change anything.。如果只有部分句子有后缀，那就更难了。
它应该可以正常工作。它们都应该是相似的，所以如果缺少一个后缀，所有的都会。
太好了，很高兴能帮上忙。我敢打赌你知道下一步该做什么:-)
为了效率，我会改变两件事：1）不反转字符串 2）循环会比 linq 查询更快

【解决方案2】：

使用 LINQ 的可行解决方案：

List<string> sentences = new List<string>() { };
List<string> titles = new List<string>() { };

sentences.Add("The book named Lord of the Flies is a classic.");
sentences.Add("The book named To Kill a Mockingbird is a classic.");
sentences.Add("The book named The Catcher in the Rye is a classic.");
sentences.Add("Hello");
sentences.Add("The book named ");


titles = sentences.Where(sentence => sentence.Length > "The book named ".Length + " is a classic".Length)
            .GroupBy(sentence => sentence.Substring(0, 15), sentence => sentence.Remove(sentence.Length - " is a classic".Length).Substring("The book named ".Length))
            .Where(g => g.Key == "The book named ")
            .SelectMany(g => g)
            .ToList();

foreach (var title in titles)
    WriteLine(title);

首先，它过滤掉太短而无法满足条件的句子，然后将结果按前 15 个字母分组，并提取带有String.Remove 的标题。

【讨论】：