发布于2019-08-22 21:53 阅读(886) 评论(0) 点赞(30) 收藏(1)
我正在进行临床信息规范化(拼写检查),其中我检查每个给定的单词对900,000字的医学词典。我更关注时间复杂度/性能。
我想做模糊字符串比较,但我不确定使用哪个库。
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,两者给出相同的答案。在这种情况下,你认为两者都表现相似吗?
如果您对Levenshtein和Difflib相似性的快速视觉比较感兴趣,我计算了约230万本书籍:
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绘制结果:
严格来说,我也比较了Difflib,Levenshtein,Sørensen和Jaccard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的相似性确实非常有趣。
2018编辑:如果您正在努力识别类似的字符串,您还可以查看minhashing - 这里有一个很棒的概述。Minhashing在线性时间内在大型文本集中找到相似之处是惊人的。我的实验室整理了一个应用程序,使用minhashing检测并可视化文本重用:https://github.com/YaleDHLab/intertext
作者:黑洞官方问答小能手
链接:https://www.pythonheidong.com/blog/article/53630/a661a8fab1eff2999770/
来源:python黑洞网
任何形式的转载都请注明出处,如有侵权 一经发现 必将追究其法律责任
昵称:
评论内容:(最多支持255个字符)
---无人问津也好,技不如人也罢,你都要试着安静下来,去做自己该做的事,而不是让内心的烦躁、焦虑,坏掉你本来就不多的热情和定力
Copyright © 2018-2021 python黑洞网 All Rights Reserved 版权所有,并保留所有权利。 京ICP备18063182号-1
投诉与举报,广告合作请联系vgs_info@163.com或QQ3083709327
免责声明:网站文章均由用户上传,仅供读者学习交流使用,禁止用做商业用途。若文章涉及色情,反动,侵权等违法信息,请向我们举报,一经核实我们会立即删除!