如何使用thefuzz 庫(kù)，它允許我們?cè)趐ython中進(jìn)行模糊字符串匹配。此外，我們將學(xué)習(xí)如何使用process 模塊，該模塊允許我們?cè)谀：址壿嫷膸椭掠行У仄ヅ浠蛱崛∽址?/p>

使用thefuzz 模塊來(lái)匹配模糊字符串

這個(gè)庫(kù)在舊版本中有一個(gè)有趣的名字，因?yàn)樗幸粋€(gè)特定的名字，這個(gè)名字被重新命名。所以現(xiàn)在是由不同的庫(kù)來(lái)維護(hù)；但是，它目前的版本叫做thefuzz ，所以這就是你可以通過(guò)下面的命令來(lái)安裝的。

pip install thefuzz

但是，如果你在網(wǎng)上看例子，你會(huì)發(fā)現(xiàn)一些例子的舊名稱是fuzzywuzzy 。所以，它已經(jīng)不再被維護(hù)并且過(guò)時(shí)了，但是你可能會(huì)發(fā)現(xiàn)一些用這個(gè)名字的例子。

thefuzz 庫(kù)是基于 ，所以你必須用這個(gè)命令來(lái)安裝它。python-Levenshtei

pip install python-Levenshtein

而如果你在安裝過(guò)程中遇到一些問(wèn)題，你可以使用下面的命令，如果再次遇到錯(cuò)誤，那么你可以在google上搜索，找到相關(guān)的解決方案。

pip install python-Levenshtein-wheels

本質(zhì)上，模糊匹配字符串就像使用regex或沿著兩個(gè)字符串的比較。在模糊邏輯的情況下，你的條件的真值可以是0 和1 之間的任何實(shí)數(shù)。

因此，基本上，不是說(shuō)任何東西是True 或False ，你只是給它在0 到1 之間的任何值。它是通過(guò)使用距離度量計(jì)算兩個(gè)字符串之間的不相似性，其形式是一個(gè)稱為距離的值。

使用給定的字符串，你使用一些算法找到兩個(gè)字符串之間的距離。一旦你完成了安裝過(guò)程，你必須從thefuzz 模塊中導(dǎo)入fuzz 和process 。

from thefuzz import fuzz, process

在使用fuzz ，我們將手動(dòng)檢查兩個(gè)字符串之間的不相似性。

ST1='Just a test'
ST2='just a test'
print(ST1==ST2)
print(ST1!=ST2)

它將返回一個(gè)布爾值，但以一種模糊的方式，你會(huì)得到這些字符串的相似程度的百分?jǐn)?shù)。

False
True

模糊字符串匹配允許我們以模糊的方式更有效、更快速地完成這項(xiàng)工作。假設(shè)我們有一個(gè)例子，有兩個(gè)字符串，其中一個(gè)字符串與大寫的J （如上所述）不相同。

如果我們現(xiàn)在去調(diào)用ratio() 函數(shù)，它給我們一個(gè)相似性的度量，那么這將為我們提供一個(gè)相當(dāng)高的比率，即91 ，而不是100 。

from thefuzz import fuzz, process
print(fuzz.ratio(ST1, ST2))

輸出：

91

如果字符串更加延長(zhǎng)，例如，如果我們不只是改變一個(gè)字符，而是改變一個(gè)完全不同的字符串，那么看看它的回報(bào)，看一看。

ST1='This is a test string for test'
ST2='There aresome test string for testing'
print(fuzz.ratio(ST1,ST2))

現(xiàn)在可能會(huì)有一些相似之處，但會(huì)很75 ；這只是一個(gè)簡(jiǎn)單的比率，并不復(fù)雜。

75

我們還可以繼續(xù)嘗試像部分比例這樣的東西。例如，我們有兩個(gè)字符串，我們想確定它們的分?jǐn)?shù)。

ST1='There are test'
ST2='There are test string for testing'
print(fuzz.partial_ratio(ST1,ST2))

使用partial_ratio() ，我們會(huì)得到100%，因?yàn)檫@兩個(gè)字符串有相同的子字符串(There are test)。

在ST2 ，我們有一些不同的詞（字符串），但這并不重要，因?yàn)槲覀兛吹氖遣糠直嚷驶騻€(gè)別部分，但簡(jiǎn)單的比率并不類似。

100

假設(shè)我們有相似的字符串，但有不同的順序；然后，我們使用另一個(gè)度量。

CASE_1='This generation rules the nation'
CASE_2='Rules the nation This generation'

兩種情況下，在該短語(yǔ)的相同含義上有完全相同的文字，但使用ratio() ，就會(huì)有相當(dāng)大的不同，而使用partial_ratio() ，就會(huì)有不同。

如果我們通過(guò)token_sort_ratio() ，這將是100%，因?yàn)樗旧鲜峭耆嗤奈淖?，但順序不同。因此，這就是token_sort_ratio() ，該函數(shù)將單個(gè)標(biāo)記進(jìn)行排序，它們的順序并不重要。

print(fuzz.ratio(CASE_1,CASE_2))
print(fuzz.partial_ratio(CASE_1,CASE_2))
print(fuzz.token_sort_ratio(CASE_1,CASE_2))

輸出：

47
64
100

現(xiàn)在，如果我們用另一個(gè)詞來(lái)改變一些詞，我們會(huì)有一個(gè)不同的數(shù)字，但基本上，這是一個(gè)比率；它不關(guān)心個(gè)別標(biāo)記的順序。

CASE_1='This generation rules the nation'
CASE_2='Rules the nation has This generation'
print(fuzz.ratio(CASE_1,CASE_2))
print(fuzz.partial_ratio(CASE_1,CASE_2))
print(fuzz.token_sort_ratio(CASE_1,CASE_2))

輸出：

44
64
94

token_sort_ratio() 也是不同的，因?yàn)樗懈嗟脑~在里面，但我們也有一個(gè)叫做token_set_ratio() 的東西，一個(gè)集合包含每個(gè)標(biāo)記只有一次。

所以，它出現(xiàn)的頻率并不重要；讓我們看看一個(gè)例子字符串。

CASE_1='This generation'
CASE_2='This This generation generation generation generation'
print(fuzz.ratio(CASE_1,CASE_2))
print(fuzz.partial_ratio(CASE_1,CASE_2))
print(fuzz.token_sort_ratio(CASE_1,CASE_2))
print(fuzz.token_set_ratio(CASE_1,CASE_2))

我們可以看到一些相當(dāng)?shù)偷姆謹(jǐn)?shù)，但是我們使用token_set_ratio() 函數(shù)得到了100%的分?jǐn)?shù)，因?yàn)槲覀冇袃蓚€(gè)令牌，This 和generation 存在于兩個(gè)字符串中。

使用process 模塊，以高效的方式使用模糊字符串匹配

不僅有fuzz ，還有process ，因?yàn)閜rocess 是有幫助的，可以使用這種模糊匹配從一個(gè)集合中提取出來(lái)。

例如，我們準(zhǔn)備了幾個(gè)列表項(xiàng)來(lái)演示。

Diff_items=['programing language','Native language','React language',
        'People stuff', 'This generation', 'Coding and stuff']

其中一些是非常相似的，你可以看到（母語(yǔ)或編程語(yǔ)言），現(xiàn)在我們可以去挑選最好的個(gè)別匹配。

我們可以手動(dòng)操作，只需評(píng)估分?jǐn)?shù)，然后挑選出最優(yōu)秀的人選，但我們也可以用process 。要做到這一點(diǎn)，我們必須調(diào)用process 模塊中的extract() 函數(shù)。

它需要幾個(gè)參數(shù)，第一個(gè)是目標(biāo)字符串，第二個(gè)是你要提取的集合，第三個(gè)是限制，將匹配或提取的內(nèi)容限制為兩個(gè)。

例如，如果我們想提取像language ，在這種情況下，選擇母語(yǔ)和編程語(yǔ)言。

print(process.extract('language',Diff_items,limit=2))

輸出：

[('programing language', 90), ('Native language', 90)]

問(wèn)題是，這不是NLP（自然語(yǔ)言處理）；這背后沒(méi)有智能；它只是看單個(gè)標(biāo)記。因此，舉例來(lái)說(shuō)，如果我們使用programming 作為目標(biāo)字符串并運(yùn)行這個(gè)。

第一個(gè)匹配將是programming language ，但第二個(gè)匹配將是Native language ，這將不是編碼。

即使我們有編碼，因?yàn)閺恼Z(yǔ)義上講，編碼更接近于編程，但這并不重要，因?yàn)槲覀冊(cè)谶@里沒(méi)有使用AI。

Diff_items=['programing language','Native language','React language',
        'People stuff', 'Hello World', 'Coding and stuff']
print(process.extract('programing',Diff_items,limit=2))

PYTHON 復(fù)制 全屏

輸出：

[('programing language', 90), ('Native language', 36)]

另一個(gè)最后的例子是這是如何有用的；我們有一個(gè)龐大的書庫(kù)，想找到一本書，但我們不知道確切的名字或如何調(diào)用它。

在這種情況下，我們可以使用extract() ，在這個(gè)函數(shù)里面，我們將把fuzz.token_sort_ratio 傳給scorer 參數(shù)。

LISt_OF_Books=['The python everyone volume 1 - Beginner',
               'The python everyone volume 2 - Machine Learning',
               'The python everyone volume 3 - Data Science',
               'The python everyone volume 4 - Finance',
               'The python everyone volume 5 - Neural Network',
               'The python everyone volume 6 - Computer Vision',
               'Different Data Science book',
               'Java everyone beginner book',
               'python everyone Algorithms and Data Structure']
print(process.extract('python Data Science',LISt_OF_Books,limit=3,scorer=fuzz.token_sort_ratio))

我們只是傳遞它，我們并沒(méi)有調(diào)用它，現(xiàn)在，我們?cè)谶@里得到了最高的結(jié)果，我們得到了另一本數(shù)據(jù)科學(xué)書作為第二個(gè)結(jié)果。

輸出：

[('The python everyone volume 3 - Data Science', 63), ('Different Data Science book', 61), ('python everyone Algorithms and Data Structure', 47)]

這就是如何是相當(dāng)準(zhǔn)確的，如果你有一個(gè)項(xiàng)目，你必須以模糊的方式找到它，它可以相當(dāng)有幫助。我們也可以用它來(lái)實(shí)現(xiàn)你的程序自動(dòng)化。

還有一些額外的資源，你可以使用github和stackoverflow找到更多幫助。

到此這篇關(guān)于Python中匹配模糊的字符串的文章就介紹到這了,更多相關(guān)Python匹配模糊的字符串內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論