问题标签 [sequencematcher]

我正在尝试查找段落中所有出现的单词，并且我希望它也能解决拼写错误。代码：

Difflib get_matching_blocks 仅检测 search_here 字符串中“caterpillar”的第一个实例。我希望它给我所有紧密匹配的块的输出，即它应该识别“卡特彼勒”、“卡特彼勒”和“卡特彼勒”

我怎么解决这个问题？

假设我有 2 个 excel 文件，每个文件都包含一列名称和日期

Excel 1：

Excel 2：

我想将第 1 列中的每个单元格与第 2 列中的每个单元格匹配，然后找到最大的相似性。

以下函数将给出两个输入相互匹配的百分比值。

SequenceMatcher 代码示例：

输出：0.92

过去两周我一直在尝试解决这个问题，我几乎达到了目标。

案例： 我正在尝试的整体描述

• 对于这个例子，我从 2 个不同的 excel 表中提取了 2 个数据框让我们说 3x3（DF1 和 DF2）
• 我想将 DF1 中的 Column2 中的单元格与 DF2 中的 Column2 匹配
• 我需要一一匹配单元格

示例：假设我有单元格 X1，我匹配 Y(1,2,3) X1 中的每个单元格与 Y3 最匹配。

• 我想提取 X1 行所在的行和 Y3 行所在的行，并将它们彼此对齐保存在一行中，可能在 3. excel 表中

更新我有什么：

此代码能够与 sequencematcher 匹配并打印匹配，但是我只得到一个输出匹配而不是最大匹配列表：

输出：(1.0, ('Fruit', 'Fruit'))

我该如何解决，以便它会给我所有的最大匹配项，以及如何提取匹配项所在的相应行？

我正在尝试过滤列中 pandas 中的特定值，但也允许输入错误。我认为使用 SequenceMatcher 是一个很好的解决方案，但我不知道在 DataFrame 中应用它的最佳方法是什么。假设标题是“数字”和“位置”。

df1 = [[1, Amsterdam], [2, amsterdam], [3, rotterdam], [4, amstrdam], [5, Berlin]]

如果我想以一定的比率过滤“阿姆斯特丹”，比如说 0.6。输出可能是这样的。

df1 = [[1, Amsterdam], [2, amsterdam], [4, amstrdam]]

完成这项工作的最佳方法是什么？我正在考虑使用过滤器选项，但没有奏效。我是否需要先运行应用函数来添加具有比率的列，然后才能对其进行过滤？还是有更聪明的方法？

df2 = df1[SequenceMatcher(None, location, df1.location).ratio() > 0.6]

我需要使用 python 在列表中查找类似的项目。（例如“限制”类似于“限制”或“下载 ICD 文件”类似于“下载 ICD zip 文件”）我真的希望我的结果与字符相似，而不是数字（例如“角度 1”类似于'角度 2'）。我列表中的所有这些字符串都以 '\0' 结尾

我正在尝试做的是将每个项目拆分为空白，并查看是否有任何部分由数字组成。但不知何故，它并没有像我想要的那样工作。

这是我的代码示例：

我正在尝试使用自定义词典来标记句子。例如，如果我有两个文本文件（1. 我的句子，2. 我的字典）

语句文件：

我有腹痛和呼吸困难

字典文件：

腹痛，呼吸困难

我希望输出是这样的：

新文件：

我有腹痛 (AE) 和呼吸困难 (AE)

如何才能做到这一点？请看以下代码：

上面的代码只是创建了一个空的“tagged_sentences”文件谢谢

我正在尝试确定 pandas 数据框中两列的相似性：

我想比较'Performance results ... 'with'The six...'和 ' Accuracy is one...'with 'Where am I?'。第一行应该是两列之间的相似度较高，因为它包含一些单词；第二个应该等于 0，因为两列之间没有共同的单词。

为了比较我使用的两列SequenceMatcher，如下所示：

但使用 . 似乎是错误的df.Text1, df.All。

你能告诉我为什么吗？

我想匹配给定模式库中的模式，返回检测到的最长模式。

但是，我在日志文件中只有多个并行任务的交错结果，例如来自处理器的多个内核。

这是数据挖掘中的已知应用程序吗？

我想到了一种与Regex subsequence matching类似的正则表达式解决方案。然而，有一种距离度量来允许一些模糊性会很好，例如，如果序列中的一个活动会丢失。

I am working with a dataframe which has 2 columns of city names which should be equal. But they are not due to administrative errors, spelling mistakes or name changes. I am trying to see when those city names are 'equal enough' to be assumed equal. Using SequenceMatcher I can divide the list in roughly 3 parts: Everything is wrong, some are wrong, some are right, everything is right.

In a perfect world I would want the list to be divided in: Everything is wrong, Everything is right. Where the split can be made around a certain ratio/matching value.

Therefore, SequenceMatcher does not do the trick for me. I found textdistance but I get overwhelmed by the possibilities and probably there are more possibilities. An example where it goes wrong:

'Zeddam' and 'Didam' are classified with a ratio of 0.72 (Which are not equal). 'Nes' and 'Nes gem dongeradeel' with a ratio of 0.45 (Which are equal, the second just specifies it's province)

Just checking if one of the strings is a subset of the other string does not do the trick since it will give problems in other cases.

Do you guys have a suggestion on what string comparing algorithm is appropriate and why? I am comparing multiple columns in my dataframe, which is around 1000 rows.

在比较 2 个字符串的相似性时，我想排除一个字符串列表，例如，忽略 'Texas' 和 'US'。

我尝试在 Difflib 的 SequenceMatcher 中使用参数“isjunk”：

相似度高达 0.72，因此显然它没有排除不需要的字符串。

这样做的正确方法是什么？