1

任务：获取两个文本文件并输出 100% 匹配和 75% 匹配。

解决方案：

import difflib
import csv

# Imports and parses the files
fileA = open("H:/comm.names.txt", 'r')
try:
        setA = fileA.readlines()
finally:    
        fileA.close()

fileB = open("H:/acad.names.txt", 'r')
try:
        setB = fileB.readlines()
finally:    
        fileB.close()

# 100% Match
setMatch100 = set(setA).intersection(setB)

Match100 = open("H:\Match100.txt", 'w')
try:
    for item in setMatch100:
        Match100.write(item)
finally:
    Match100.close()

# Remove 100% matches from the two lists
setA_LeftOver = set(setA).difference(setMatch100)
setB_LeftOver = set(setB).difference(setMatch100)

#Return the best match for setA_LeftOver[i] in setB_LeftOver that is at least 75% matching.
fMatch75 = open("H:\Match75.csv", 'w')
Match75 = csv.writer(fMatch75)
try:
    Match75.writerow(['File A', 'File B'])
    for item in setA_LeftOver:
                match = difflib.get_close_matches(item, setB_LeftOver, 1, 0.75)
                if len(match) > 0:
                        row = [item.rstrip(), match[0].rstrip()]
                        Match75.writerow(row)


finally:
    fMatch75.close()

问题：这行得通，但是结果不是很好。下面是一个匹配的例子：

Fovea Pharmaceuticals SA 神户制药大学
我不能将 Diff 中的最低百分比提高太多，因为我需要能够将 Univ 与 University 相匹配。另外，我不能只确保第一个单词匹配，因为某些字符串以“The”开头，并且需要与排除“The”的字符串匹配。任何人都可以指出我的方向，它会抛出技术上 75% 相似但对人类根本不相似的匹配吗？

4

2 回答 2

0

我会尝试使用诸如pylevenshtein 之类的工具来比较字符串。它允许模糊字符串比较。

于 2011-02-18T16:39:03.410 回答
0

我最终写了一个最常见的单词脚本，然后我删除了最常见的单词。正如@e-satis 在他的评论中所建议的那样，这显着改善了我的结果。但是，difflib 给了我比 pylevenshtein 更好的结果，所以我无法将他的答案标记为已接受。

于 2011-07-13T19:09:45.373 回答