Python中的高性能模糊字符串比较，使用Levenshtein或difflib [关闭]

Question

我正在进行临床信息规范化（拼写检查），其中我将每个给定的单词与 900,000 个单词的医学词典进行核对。我更关心时间复杂度/性能。

我想做模糊字符串比较，但不确定使用哪个库。

选项 1：

import Levenshtein
Levenshtein.ratio('hello world', 'hello')

Result: 0.625

选项 2：

import difflib
difflib.SequenceMatcher(None, 'hello world', 'hello').ratio()

Result: 0.625

在这个例子中，两者都给出了相同的答案。您认为在这种情况下两者的表现是否相同？

Answer 1

如果您对 Levenshtein 和 Difflib 相似性的快速直观比较感兴趣，我计算了大约 230 万本书的标题：

import codecs, difflib, Levenshtein, distance

with codecs.open("titles.tsv","r","utf-8") as f:
    title_list = f.read().split("\n")[:-1]

    for row in title_list:

        sr      = row.lower().split("\t")

        diffl   = difflib.SequenceMatcher(None, sr[3], sr[4]).ratio()
        lev     = Levenshtein.ratio(sr[3], sr[4]) 
        sor     = 1 - distance.sorensen(sr[3], sr[4])
        jac     = 1 - distance.jaccard(sr[3], sr[4])

        print diffl, lev, sor, jac

然后我用 R 绘制了结果：

出于好奇，我还比较了 Difflib、Levenshtein、Sørensen 和 Jaccard 的相似度值：

library(ggplot2)
require(GGally)

difflib <- read.table("similarity_measures.txt", sep = " ")
colnames(difflib) <- c("difflib", "levenshtein", "sorensen", "jaccard")

ggpairs(difflib)

结果：

Difflib / Levenshtein 的相似性确实很有趣。

2018 年编辑：如果您正在努力识别相似的字符串，您还可以查看 minhashing——有一个 great overview here。 Minhashing 擅长在线性时间内发现大型文本集合中的相似性。我的实验室在此处组装了一个使用 minhashing 检测和可视化文本重用的应用程序：https://github.com/YaleDHLab/intertext

Answer 2

• difflib.SequenceMatcher 使用Ratcliff/Obershelp 算法计算匹配字符数的两倍除以两个字符串中的字符总数。

• Levenshtein 使用Levenshtein algorithm 计算将一个字符串转换为另一个字符串所需的最少编辑次数

复杂性

SequenceMatcher 是最坏情况的二次时间，其预期情况的行为以复杂的方式取决于序列有多少共同元素。 (from here)

Levenshtein 是 O(m*n)，其中 n 和 m 是两个输入字符串的长度。

性能

根据 Levenshtein 模块的source code ： Levenshtein 与 difflib (SequenceMatcher) 有一些重叠。它只支持字符串，不支持任意序列类型，但另一方面它要快得多。