查找两个字符串是否几乎相似答案

【问题标题】：Finding if two strings are almost similar查找两个字符串是否几乎相似
【发布时间】：2015-10-17 00:56:42
【问题描述】：

我想知道你的字符串是否几乎相似。例如，像“Mohan Mehta”这样的字符串应该匹配“Mohan Mehte”，反之亦然。另一个例子，像“Umesh Gupta”这样的字符串应该匹配“Umash Gupte”。

基本上一个字符串是正确的，另一个是拼写错误。我所有的字符串都是人名。

关于如何实现这一点的任何建议。

解决方案不必 100% 有效。

【问题讨论】：

这似乎是编辑距离的问题。最少的编辑意味着更好的匹配。
看看正则表达式模块和模糊匹配：pypi.python.org/pypi/regex
你可以看看“Levenshtein distance”算法。

标签： python regex string

【解决方案1】：

您可以拆分字符串并检查它是否包含至少一个正确的名字/姓氏。

【讨论】：

【解决方案2】：

// calculate the similarity between 2 strings

  public static double similarity(String s1, String s2) {
    String longer = s1, shorter = s2;
    if (s1.length() < s2.length()) { // longer should always have greater length
      longer = s2; shorter = s1;
    }
    int longerLength = longer.length();
    if (longerLength == 0) { return 1.0; /* both strings are zero length */ }
    /* // If you have StringUtils, you can use it to calculate the edit distance:
    return (longerLength - StringUtils.getLevenshteinDistance(longer, shorter)) /
                               (double) longerLength; */
    return (longerLength - editDistance(longer, shorter)) / (double) longerLength;

  }

  // Example implementation of the Levenshtein Edit Distance
  // See http://rosettacode.org/wiki/Levenshtein_distance#Java
  public static int editDistance(String s1, String s2) {
    s1 = s1.toLowerCase();
    s2 = s2.toLowerCase();

    int[] costs = new int[s2.length() + 1];
    for (int i = 0; i <= s1.length(); i++) {
      int lastValue = i;
      for (int j = 0; j <= s2.length(); j++) {
        if (i == 0)
          costs[j] = j;
        else {
          if (j > 0) {
            int newValue = costs[j - 1];
            if (s1.charAt(i - 1) != s2.charAt(j - 1))
              newValue = Math.min(Math.min(newValue, lastValue),
                  costs[j]) + 1;
            costs[j - 1] = lastValue;
            lastValue = newValue;
          }
        }
      }
      if (i > 0)
        costs[s2.length()] = lastValue;
    }
    return costs[s2.length()];
  }

【讨论】：

【解决方案3】：

您可能想查看NLTK（自然语言工具包），特别是nltk.metrics 包，它实现了各种字符串距离算法，包括已经提到的Levenshtein 距离。

【讨论】：

【解决方案4】：

如果你想从 stdlib 中获取一些东西，你可以使用difflib.sequencematcher：

from difflib import SequenceMatcher
s_1 = 'Mohan Mehta'
s_2 = 'Mohan Mehte'
print(SequenceMatcher(a=s_1,b=s_2).ratio())
0.909090909091

fuzzywuzzy 是您可以安装的众多库之一，它使用带有python-Levenshtein 的 difflib 模块。您还应该查看Approximate_string_matching上的维基页面

【讨论】：

【解决方案5】：

另一种方法是使用“phonetic algorithm”：

语音算法是一种通过发音对单词进行索引的算法。

例如使用soundex算法：

>>> import soundex
>>> s = soundex.getInstance()
>>> s.soundex("Umesh Gupta")
'U5213'
>>> s.soundex("Umash Gupte")
'U5213'
>>> s.soundex("Umesh Gupta") == s.soundex("Umash Gupte")
True

【讨论】：

荒谬...它匹配'camera'和'canera'..试试看..听起来一样..我们可以定制吗？

【解决方案6】：

你想要的是string distance。有很多口味，但我建议从Levenshtein distance 开始。

【讨论】：

这是评论，不是答案。要使其成为答案，您应该指出哪些模块提供了必要的功能，并包含一个代码示例。
这是对所提出问题的回答，
虽然这在技术上是一个答案，但它并不理想，因为实际的答案数据是场外的。请考虑将来源中的详细信息添加到您的答案中。