问题标签 [sequencematcher]

我对SequenceMatcher根据参数的顺序返回的两个不同答案感到有些困惑。为什么会这样？

例子

SequenceMatcher 不可交换：

我对python编程很陌生。我正在尝试获取一个包含两列字符串值的 csv 文件，并希望比较两列之间字符串的相似度。然后我想取值并将比率输出到另一个文件中。

csv 可能如下所示：

我希望输出文件为每一行显示第 1 列中的字符串与第 2 列的相似程度。我正在使用 difflib 输出比率分数。

这是我到目前为止的代码：

我得到错误：

我觉得我没有正确导入列列表并针对 sequencematcher 函数运行它。

在 python difflib 库中，SequenceMatcher 类的行为是否异常，或者我是否误读了假定的行为？

为什么 isjunk 论点在这种情况下似乎没有任何区别？

我的理解是，如果省略空格，则比率应为1。

我正在使用 SequenceMatcher 来对齐两个列表。每个列表的项目是元组或整数。要求是，对于包含特定整数的元组被认为是相等的。例如：

为此，我决定重写元组的相等方法：

这是我的示例数据：

使用 SequenceMatcher，我预计比率将为 1.0（等于）。但结果如下：

但是当我尝试使用 '==' 运算符比较列表时，结果是相等的：

谁能指出出了什么问题？谢谢。

我正在使用两个数据框（df1 和 df2），我想根据名称匹配将 df2 合并到 df1 中，但两者之间的名称不完全匹配（例如：'JS Smith' 可能是“JS Smith ( Jr)") 和 df1 中的名称位于由“|”分隔的列表中 用于各种名称变体。

此外，我在 df2 中还有 1 列包含稍微不同的名称，如果原始列中没有匹配项，我想回退到这些名称。

最后，如果 df1 中有一个唯一匹配项，我只想从 df2 中引入数据，并且我不想覆盖之前引入的条目。

以下是 dfs 的示例：

df1（其中 N1 表示名称变量列表中的第一个名称）

df2

我想先在“Name Type 2”上进行匹配假设匹配是：

1. 名称 0.1 -> N1|N2 中的名称之一（df1 的第 1 行）
2. 名称 2.1 -> N1|N2|N3|N4 中的名称之一（df1 的第 0 行）
3. 名称 1.1 -> 不匹配 df1 中的任何名称，然后我会检查与 N1|N2|N3 匹配的名称 1（df1 的第 2 行）

生成的新 df 如下所示：

我目前的做法是：

1. 遍历 df2 中的每一行并使用搜索 df1df1[df1['Name Variants'].contains('Name0.1')
2. 如果存在唯一匹配项（在 df1 中找到 1 行）并且“匹配”未标记为“真”，那么我会提取数据
3. 如果有多个匹配项，我不会提取数据
4. 如果没有匹配项，我使用相同的方法搜索“名称 0”并再次运行相同的逻辑（1 个匹配项，当前没有合并数据等）

我的问题是：

1. 考虑到这是非常耗时的
2. 我不匹配，因为我可以给出最初描述的轻微拼写差异

这是我当前方法的代码：

我正在使用西班牙语OCR 进行一个项目。相机在一行文本中捕捉不同的帧。文本行包含以下内容：

Este texto, es una prueba del dispositivo lector para no viidentes。

经过一些操作后，我得到了这样的字符串：

我想加入字符串，以便我可以在最终字符串中获取扫描行的文本，如下所示：

一开始我尝试SequenceMatcher在两个字符串之间使用，但它没有效果：

结果包含无效字符，例如|or !：

之间s2和s3：

等等我在 Windows 7 上使用 python 2.7。

我有两组名称，我想找到两者之间最接近的匹配项，如果没有找到“足够接近”的匹配项，我想将名称与其自身匹配。

我目前的方法是创建一个包含所有可能组合的数据框，并使用 .apply 或列表来迭代并通过 SequenceMatcher（导入为 sm）计算相似度。

问题是我在两个列表中都有几千个名字，这导致了难以处理的运行时间。

理想情况下，我的匹配标准是 sm 比率 >= 0.85，第一个名字在第二个名字中作为一个整体出现。如果不满足这些条件，则名称应与其自身匹配。

我想实现的最后一步是用这些匹配的名称替换原始系列。

这是我当前方法的代码，如果不清楚，请告诉我如何帮助澄清：

我正在尝试编写一个简单的 R 序列聚类/分组/简化解决方案。我是一个初学者，有一段时间没有使用 R，所以请原谅简单和愚蠢的问题/解决方案。任务取自 SAP，它们代表 P2P 流程的执行。

概述：

输入：经过一些建议，我认为输入数据应该涵盖单词而不是它们的 id（我们不想比较数字而是简化单词序列）

选项 1：SAP P2P 中的步骤序列，例如：

我的数据集包含大约 700 个序列（测试 100），它们既短（5 步）又长（甚至超过 50）。

问题是我（在结果解释期间）不想比较所有，即 700 个序列，但我想以某种方式区分相似的序列。通常，特别是对于长序列，在 20 步之后会发现差异，例如：

Seq1: PR > PO > GR > IR > GR > IR > GR > IR > 付款

Seq2: PR > PO > GR > IR > IR > GR > GR > IR > 付款

最后，它应该会导致发现流程执行中的低效率。我的问题是，你对我如何接近那个问题之王有什么建议吗？阅读您的评论后，我认为聚类方法不是正确的方法。我真的不在乎我们是否应该使用集群或其他东西，重要的是简化流程。

我将不胜感激任何提示，建议等。

测试数据（> 用作分隔符）。

我有以下数据框

我想查找左边的单词/句子和右边的句子，如果最大前两个单词匹配（例如'potato la'并省略'best'），那么它会给出一个分数。

我已经使用了两种不同的方法：

和

我在互联网上找到的。

第二个工作正常，除了它试图匹配整个短语。如何将第一列中的单词与第二列中的句子匹配，以便最终给我一个“是”它们在句子中（或部分）或“不”它们不是。

我正在尝试使用SequenceMatcher.ratio()来获取两个字符串的相似性："86418648"和"86488648"：

返回的比率是0.5，这比我预期的要低得多，因为两个字符串中只有一个字符不同。

似乎该比率是根据匹配块计算的。所以我尝试运行SequenceMatcher.get_matching_blocks()：

但我预计结果是：

谁能帮忙解释为什么它与前 3 个数字不匹配"864"？