python - python中基于优先级序列的序列匹配器

Question

我正在尝试从股票名称列表中找到最匹配的单词，并且我希望将更多优先级放在前面的单词而不是后面的单词上，尽管后面的单词可能有更多的字符。

例如。

“SG HOLDINGS”与“S2 HOLDINGS”

与“SG HOLDING”与“SG Corp”相比，序列匹配器将显示这两个词具有更高的相似率，但后者实际上是我正在寻找的公司。我怎样才能让股票名称前面的单词更重？还有其他我可以使用的库吗？

谢谢

Answer 1

如果所有名称都具有 format PREFIX SUFFIX，则可以拆分名称并首先将序列匹配器应用于前缀，然后应用于后缀，并将距离（比如说Levenshtein distance）打包回元组，你会得到：

1. ('SG', 'HOLDINGS') vs ('S2', 'HOLDINGS') → (1, 0)
2. ('SG', 'HOLDINGS') vs ('SG', 'Corp')     → (0, 8)
3. ('SG', 'HOLDINGS') vs ('SG', 'HOLD')     → (0, 4)
4. ('SG', 'HOLDINGS') vs ('S2', 'HOLDING')  → (1, 1)

当您按升序对这些距离元组进行排序时，排序将为[3, 2, 1, 4].

如果股票名称包含不同数量的单词，您可以计算最长名称中的单词（例如，最长的名称是“Samsung Electronics Ord Shares”；它包含 4 个单词），然后将所有其他名称部分元组扩展为在计算距离之前，空字符串以匹配此长度。即，您将使用：('SG', 'HOLDINGS', '', '').

新距离：

1. ('SG', 'HOLDINGS', '', '') vs ('S2', 'HOLDINGS', '', '') → (1, 0, 0, 0)
2. ('SG', 'HOLDINGS', '', '') vs ('SG', 'Corp', '', '')     → (0, 8, 0, 0)
3. ('SG', 'HOLDINGS', '', '') vs ('Samsung', 'E', 'O', 'S') → (6, 8, 1, 1)

现在排序为[2, 1, 3].