黑马程序员技术交流社区

标题: python fuzzywuzzy模块 模糊字符串匹配详细用法 [打印本页]

---

作者: sunyakai    时间: 2018-7-26 15:15
标题: python fuzzywuzzy模块 模糊字符串匹配详细用法
计算两个字符串相(或句子)似度的方法有大约有三种：1 编辑距离，2 余弦相似度，3 FuzzyWuzzy
本文章主要给大家讲解 FuzzyWuzzy 库的使用：
1）----》》
导入库
>>> from fuzzywuzzy import fuzz
>>> from fuzzywuzzy import process

运行代码
>>> fuzz.ratio("this is a test", "this is a test!")out    97>>> fuzz.partial_ratio("this is a test", "this is a test!")out    100


fuzz.ratio()对位置敏感，全匹配，fuzz.partial_ratio()对位置不敏感，搜索匹配，从输出的结果就可以看到。
2）----》》
>>> fuzz._process_and_sort(s, force_ascii, full_process=True)


对字符串s排序。force_ascii:True 或者False。为True表示转换为ascii码。如果full_process为True，则会将字符串s转换为小写，去掉除字母和数字之外的字符（发现不能去掉-字符），剩下的字符串以空格分开，然后排序。如果为False，则直接对字符串s排序。


>>> fuzz._token_sort(s1, s2, partial=True, force_ascii=True, full_process=True)


给出字符串 s1, s2的相似度。首先经过 fuzz._process_and_sort（）函数处理。partial为True时，再经过fuzz.partial_ratio（）函数。partial为False时，再经过fuzz.ratio（）函数。


>>> fuzz.token_sort_ratio("fuzzy wuzzy was a bear", "wuzzy fuzzy was a bear")out    100


partial为False的_token_sort()
fuzz.partial_token_sort_ratio(s1, s2, force_ascii=True, full_process=True)
就是partial为True时的Fuzz._token_sort（）


3）
>>> fuzz.token_set_ratio("fuzzy was a bear", "fuzzy fuzzy was a bear")out    100


fuzz._token_set(s1, s2, partial=True, force_ascii=True, full_process=True)


当partial为False时，就是 fuzz.token_set_ratio（）函数。


fuzz.partial_token_set_ratio(s1, s2, force_ascii=True, full_process=True)


partial为True的fuzz._token_set（）函数。


总结：如果计算相似度的字符串只有字母和数字，直接可以用ratio（）和partial_ratio()。但如果还有其他字符，而且我们想要去掉这些没用字符，就用下边的。下边的函数都对顺序不敏感，但token_sort_ratio（）系列是全字符匹配，不管顺序。而token_set_ratio（）只要第二个字符串包含第一个字符串就100,不管顺序。

>>> choices = ["Atlanta Falcons", "New York Jets", "New York Giants", "Dallas Cowboys"]>>> process.extract("new york jets", choices, limit=2)    [('New York Jets', 100), ('New York Giants', 78)]>>> process.extractOne("cowboys", choices)    ("Dallas Cowboys", 90)


query是字符串，choices是数组，元素是字符串。 processor是对输入比较的字符串的处理函数，默认是fuzzywuzzy.utils.full_process()，即将字符串变为小写， 去掉除字母和数字之外的字符（发现不能去掉-字符），剩下的字符串以空格分开。scorer计算两个字符串相似度的函数，默认fuzz.WRatio()。 limit是输出个数。


输出为数组，元素为元组，元祖第一个匹配到的字符串，第二个为int型，为score。对输出按照score排序。


score_cutoff为一个阈值，当score小于该阈值时，不会输出。返回一个生成器，输出每个大于 score_cutoff的匹配，按顺序输出，不排序。


>>> process.extractBests(query, choices, processor=default_processor, scorer=default_scorer, score_cutoff=0, limit=5)

---

欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/)

黑马程序员IT技术论坛 X3.2