Trouver la métrique de similarité entre deux chaînes
Comment obtenir la probabilité qu'une chaîne soit similaire à une autre chaîne en Python?
Je souhaite obtenir une valeur décimale telle que 0,9 (soit 90%), etc. De préférence avec la norme Python et la bibliothèque.
par exemple.
similar("Apple","Appel") #would have a high prob.
similar("Apple","Mango") #would have a lower prob.
Il y a un construit dans.
from difflib import SequenceMatcher
def similar(a, b):
return SequenceMatcher(None, a, b).ratio()
En l'utilisant:
>>> similar("Apple","Appel")
0.8
>>> similar("Apple","Mango")
0.0
Je pense que vous cherchez peut-être un algorithme décrivant la distance entre les chaînes. En voici quelques exemples:
Fuzzy Wuzzy est un package qui implémente la distance Levenshtein en python, avec des fonctions d'assistance pour vous aider dans certaines situations où vous souhaiterez peut-être que deux chaînes distinctes soient considérées comme identiques. Par exemple:
>>> fuzz.ratio("fuzzy wuzzy was a bear", "wuzzy fuzzy was a bear")
91
>>> fuzz.token_sort_ratio("fuzzy wuzzy was a bear", "wuzzy fuzzy was a bear")
100
Vous pouvez créer une fonction comme:
def similar(w1, w2):
w1 = w1 + ' ' * (len(w2) - len(w1))
w2 = w2 + ' ' * (len(w1) - len(w2))
return sum(1 if i == j else 0 for i, j in Zip(w1, w2)) / float(len(w1))
Le forfait distance comprend la distance de Levenshtein:
import distance
distance.levenshtein("lenvestein", "levenshtein")
# 3
La fonction intégrée SequenceMatcher est très lente pour les entrées volumineuses. Voici comment procéder avec diff-match-patch :
from diff_match_patch import diff_match_patch
def compute_similarity_and_diff(text1, text2):
dmp = diff_match_patch()
dmp.Diff_Timeout = 0.0
diff = dmp.diff_main(text1, text2, False)
# similarity
common_text = sum([len(txt) for op, txt in diff if op == 0])
text_length = max(len(text1), len(text2))
sim = common_text / text_length
return sim, diff