根据共性对字符串数组进行分类答案

【问题标题】：Classify array of strings based on commonalities根据共性对字符串数组进行分类
【发布时间】：2010-12-15 17:55:19
【问题描述】：

我有巨大的字符串列表（200000）（多字）。我想根据这些字符串之间的单词匹配的comman数组对这些字符串进行分组。我想不出一个低计算时间的算法

“AB 500”
“巴士 AB 500”
“新闻 CA”
"新闻 CA BLAH"

我的计划是
一种。将它们标记为单词。
湾。创建全局数组令牌
C。将这些字符串与常见标记进行比较。

正如您所猜测的那样，这无济于事。你能为此建议一个算法吗？我正在用python写这个..

【问题讨论】：

假设三个字符串“News CA”、“News What”、“News CA What”，它们是如何分组的？他们都是“新闻”组的一部分，然后还有子组？
这有点未指定。如果输入还包括“Bus AB”、“Bus CD 500”和“Bus AB 201”怎么办？哪个组有什么？
打算根据匹配的token数量和token长度进行评分

标签： python string algorithm classification

【解决方案1】：

200000不算多，你可以这样

拆分每个字符串以获取令牌例如“新闻 CA BLAH”-> [“废话”、“CA”、“新闻”]
为每个列表长度创建一个字典条目，例如在 ["Blah", "CA", "News"] 的情况下，所有组合按顺序排列
现在只需遍历 dict 并查看组

示例代码：

data="""AB 500
Bus AB 500
News CA
News CA BLAH"""

def getCombinations(tokens):
    count = len(tokens)
    for L in range(1,count+1):
        for i in range(count-L+1):
            yield tuple(tokens[i:i+L])

groupDict = {}
for s in data.split("\n"):
    tokens = s.split()
    for groupKey in getCombinations(tokens):
        if groupKey not in groupDict:
            groupDict[groupKey] = [s]
        else:
            groupDict[groupKey].append(s)

for group, values in groupDict.iteritems():
    if len(values) > 1:
        print group, "->", values

它输出：

('News', 'CA') -> ['News CA', 'News CA BLAH']
('AB',) -> ['AB 500', 'Bus AB 500']
('500',) -> ['AB 500', 'Bus AB 500']
('CA',) -> ['News CA', 'News CA BLAH']
('AB', '500') -> ['AB 500', 'Bus AB 500']
('News',) -> ['News CA', 'News CA BLAH']

【讨论】：

【解决方案2】：

你的意思是这样的吗？

>>> from collections import defaultdict
>>> L=["AB 500",
... "Bus AB 500",
... "News CA",
... "News CA BLAH"]
>>> d=defaultdict(list)
>>> for s in L:
...     for w in s.split():
...         d[w].append(s)
... 
>>> print d["News"]
['News CA', 'News CA BLAH']
>>> print d["CA"]
['News CA', 'News CA BLAH']
>>> print d["500"]
['AB 500', 'Bus AB 500']

【讨论】：

【解决方案3】：

除非重复单词是您的用例的重要特征，否则我建议使用集合。即：

thestrings = [
"AB 500",
"Bus AB 500",
"News CA",
"News CA BLAH",
]

thesets = dict((s, set(s.split())) for s in thestrings)

similarities = dict()
for s in thestrings:
  for o in thestrings:
    if s>=o: continue
    sims = len(thesets[s] & thesets[o])
    if not sims: continue
    similarities[s, o] = sims

for s, o in sorted(similarities, similarities.get, reverse=True):
  print "%-16r %-16r %2d" % (s, o, similarities[s, o])

这与您要查找的内容接近吗？它确实以你想要的方式对你给出的 4 个字符串进行分类，但这是一个非常薄弱的样本，当然，所以我在仔细检查；-)。

【讨论】：

这将非常非常慢，正如 OP 所说的 200000 个字符串，意味着循环 4 万次
是的，它是O(n**2)，但如果它接近 OP 的要求，那么它就是优化算法和启发式优化的简单基础。目前的问题只是有点不确定;-)。

【解决方案4】：

如果将字符串“AB 500 News CA”添加到您的列表中会发生什么？两组字符串必须合并吗？如果不是，如何拆分字符串列表，为什么？

这样的问题的一个非常通用的工作流程（如果我理解正确的话）是这样的：

通过倒排索引获取候选对列表/All pairs similarity search/Simhashing
为每对计算一些距离函数并将它们组合成一个权重
每个加权对（(a, b), weight）现在代表图中的一条边，您可以通过层次聚类/幂迭代将其聚类到“单词匹配组”中

【讨论】：