109

我想在列表中存储很多单词。其中许多词非常相似。例如，我有单词afrykanerskojęzyczny和许多单词，例如afrykanerskojęzycznym, afrykanerskojęzyczni, nieafrykanerskojęzyczni。找到两个字符串之间的差异并从第一个字符串和 diff 恢复第二个字符串的有效（快速且差异大小）解决方案是什么？

4

6 回答 6

141

您可以在 difflib 模块中使用ndiff来执行此操作。它具有将一个字符串转换为另一个字符串所需的所有信息。

一个简单的例子：

import difflib

cases=[('afrykanerskojęzyczny', 'afrykanerskojęzycznym'),
       ('afrykanerskojęzyczni', 'nieafrykanerskojęzyczni'),
       ('afrykanerskojęzycznym', 'afrykanerskojęzyczny'),
       ('nieafrykanerskojęzyczni', 'afrykanerskojęzyczni'),
       ('nieafrynerskojęzyczni', 'afrykanerskojzyczni'),
       ('abcdefg','xac')] 

for a,b in cases:     
    print('{} => {}'.format(a,b))  
    for i,s in enumerate(difflib.ndiff(a, b)):
        if s[0]==' ': continue
        elif s[0]=='-':
            print(u'Delete "{}" from position {}'.format(s[-1],i))
        elif s[0]=='+':
            print(u'Add "{}" to position {}'.format(s[-1],i))    
    print()

印刷：

afrykanerskojęzyczny => afrykanerskojęzycznym
Add "m" to position 20

afrykanerskojęzyczni => nieafrykanerskojęzyczni
Add "n" to position 0
Add "i" to position 1
Add "e" to position 2

afrykanerskojęzycznym => afrykanerskojęzyczny
Delete "m" from position 20

nieafrykanerskojęzyczni => afrykanerskojęzyczni
Delete "n" from position 0
Delete "i" from position 1
Delete "e" from position 2

nieafrynerskojęzyczni => afrykanerskojzyczni
Delete "n" from position 0
Delete "i" from position 1
Delete "e" from position 2
Add "k" to position 7
Add "a" to position 8
Delete "ę" from position 16

abcdefg => xac
Add "x" to position 0
Delete "b" from position 2
Delete "d" from position 4
Delete "e" from position 5
Delete "f" from position 6
Delete "g" from position 7
于 2013-07-28T04:25:44.957 回答
42

我喜欢 ndiff 的答案，但如果你想把它全部吐到一个只有更改的列表中，你可以这样做：

import difflib

case_a = 'afrykbnerskojęzyczny'
case_b = 'afrykanerskojęzycznym'

output_list = [li for li in difflib.ndiff(case_a, case_b) if li[0] != ' ']
于 2017-09-21T16:51:11.133 回答
4

您可以查看正则表达式模块（模糊部分）。我不知道您是否可以获得实际差异，但至少您可以指定允许的不同类型更改的数量，例如插入、删除和替换：

import regex
sequence = 'afrykanerskojezyczny'
queries = [ 'afrykanerskojezycznym', 'afrykanerskojezyczni', 
            'nieafrykanerskojezyczni' ]
for q in queries:
    m = regex.search(r'(%s){e<=2}'%q, sequence)
    print 'match' if m else 'nomatch'
于 2013-07-28T03:26:07.880 回答
3

您要求的是一种特殊的压缩形式。 xdelta3是为这种特殊类型的压缩而设计的，并且有一个 python 绑定，但你可能直接使用 zlib 就可以逃脱。您想使用zlib.compressobjandzlib.decompressobj将zdict参数设置为您的“基本词”，例如afrykanerskojęzyczny.

警告zdict仅在 python 3.3 及更高版本中受支持，如果您的所有差异都有相同的“基本词”，则最容易编码，这可能是也可能不是您想要的。

于 2016-09-21T23:16:56.457 回答
0

您可能会发现NLTK库中可用的工具可用于计算不同单词之间的差异。

nltk.metrics.distance.edit_distance()是计算Levenshtein 距离的成熟（非标准）库实现

一个简单的例子可能是：

from nltk.metrics.distance import *

w1 = 'wordone'
w2 = 'wordtwo'
edit_distance(w1, w2)

Out: 3

附加参数允许对输出进行加权，具体取决于不同操作（替换/插入）和不同字符差异的成本（例如，靠近键盘的字符成本更低）。

于 2022-02-26T07:36:38.937 回答
-1

我上面对原始问题的评论的答案让我认为这就是他想要的：

loopnum = 0
word = 'afrykanerskojęzyczny'
wordlist = ['afrykanerskojęzycznym','afrykanerskojęzyczni','nieafrykanerskojęzyczni']
for i in wordlist:
    wordlist[loopnum] = word
    loopnum += 1

这将执行以下操作：

对于 wordlist 中的每个值，将 wordlist 的值设置为原始代码。

您所要做的就是将这段代码放在您需要更改单词表的地方，确保您将需要更改的单词存储在单词表中，并且原始单词是正确的。

于 2013-07-28T04:00:18.570 回答