我正在尝试编写 Dice's Coefficient 脚本,但数组交集有点问题。
def bigram(string)
string.downcase!
bgarray=[]
bgstring="%"+string+"#"
bgslength = bgstring.length
0.upto(bgslength-2) do |i|
bgarray << bgstring[i,2]
end
return bgarray
end
def approx_string_match(teststring, refstring)
test_bigram = bigram(teststring) #.uniq
ref_bigram = bigram(refstring) #.uniq
bigram_overlay = test_bigram & ref_bigram
result = (2*bigram_overlay.length.to_f)/(test_bigram.length.to_f+ref_bigram.length.to_f)*100
return result
end
问题是,当 & 删除重复项时,我得到这样的东西:
string1="Almirante Almeida Almada"
string2="Almirante Almeida Almada"
puts approx_string_match(string1, string2) => 76.0%
它应该返回 100。
uniq 方法可以解决问题,但存在信息丢失,这可能会在我正在工作的特定数据集中带来不需要的匹配。
如何获得包含所有重复项的交集?