如何使用 Pandas 在 Python 中实现快速拼写检查器？

Question

我从事文本挖掘问题，需要提取所有提到的某些关键字。例如，给定列表：

list_of_keywords = ['citalopram', 'trazodone', 'aspirin']

我需要查找文本中所有出现的关键字。这可以用 Pandas 轻松完成（假设我的文本是从 csv 文件中读取的）：

将熊猫导入为 pd

df_text = pd.read_csv('text.csv')
df_text['matches'] = df_text.str.findall('|'.join(list_of_keywords))

但是，文本中有拼写错误，有时我的关键字会写成：

'citalopram' as 'cetalopram'

或

'trazodone' as 'trazadon'

在网上搜索，我发现了一些关于如何实现spell checker 的建议，但我不确定在哪里插入拼写检查器，我认为在文本非常大的情况下它可能会减慢搜索速度。

作为另一种选择，建议使用带有正则表达式的通配符并插入潜在的混淆位置（概念上编写）

.findall('c*t*l*pr*m')

但是我不相信我可以捕捉到所有可能的问题案例。我尝试了一些开箱即用的拼写检查器，但我的文本有些具体，我需要一个“了解”我的领域（医学领域）的拼写检查器。

问题

有没有什么有效的方法可以从包含拼写错误的文本中提取关键字？

Answer 1

你是对的，你不能用正则表达式捕获所有可能的拼写错误。

但是你确实有选择。

你可以

• 使用trie。许多自动完成和拼写检查解决方案都使用尝试。然而，它们中的大多数都是逐字逐句地操作的。不是整个文本
• 话虽如此，您真正想要的是一个模糊文本提取器，因为您只想匹配替代/稍微错误的拼写，而不是更正文本中的这些拼写。所以你在这里也有更多选择
  • 计算基因组学面临这样的挑战，他们希望在长序列中搜索碱基对的模式。它们允许匹配文本中存在一定程度的不匹配。因此，类似于here 概述的近似匹配解决方案将有所帮助。这些幻灯片很好地利用了鸽子洞原理来满足您的需求，而且代码也是开源的！
  • 如果您想要简单得多的东西，只需对文档的所有单词运行编辑距离过滤器，并只允许编辑距离为 k 或更小的单词。

扩展编辑距离的含义

（从上面链接的幻灯片中借用的图像/代码，幻灯片可供任何人免费使用，即没有许可证）

让我们研究一个更简单的汉明距离

概念

def hammingDistance(x,  y):
    assert len(x) == len(y)
    nmm = 0
    for i in xrange(0,  len(x)):
        if x[i] != y[i]:
            nmm += 1
    return nmm

汉明距离返回必须在 2 个等长字符串之间交换以使它们相等的字符数。

但是当字符串长度不相等时会发生什么？

使用 editDistance 这是必须在 2 个字符串上交换/插入/删除以使它们相等的字符数

汉明距离现在成为递归算法的基本情况

def edDistRecursive(x, y):
    if len(x) == 0: return len(y)
    if len(y) == 0: return len(x)
    delt = 1 if x[-1] != y[-1] else 0
    diag = edDistRecursive(x[:-1], y[:-1]) + delt
    vert = edDistRecursive(x[:-1], y) + 1
    horz = edDistRecursive(x, y[:-1]) + 1
    return min(diag, vert, horz)

只需根据您认为单词将/应该匹配的内容调用上面的函数（也许首先查找一个 trie）。您甚至可以记住解决方案以使其更快，因为重叠的可能性很高