Python - 两个字符串之间的区别

Question

我想在列表中存储很多单词。 其中许多词非常相似。 例如，我有单词afrykanerskojęzyczny和许多单词，例如afrykanerskojęzycznym 、 afrykanerskojęzyczni 、 nieafrykanerskojęzyczni 。 找到两个字符串之间的差异并从第一个字符串和 diff 恢复第二个字符串的有效（快速且差异大小）解决方案是什么？

Answer 1

您可以在 difflib 模块中使用ndiff来执行此操作。 它具有将一个字符串转换为另一个字符串所需的所有信息。

一个简单的例子：

import difflib

cases=[('afrykanerskojęzyczny', 'afrykanerskojęzycznym'),
       ('afrykanerskojęzyczni', 'nieafrykanerskojęzyczni'),
       ('afrykanerskojęzycznym', 'afrykanerskojęzyczny'),
       ('nieafrykanerskojęzyczni', 'afrykanerskojęzyczni'),
       ('nieafrynerskojęzyczni', 'afrykanerskojzyczni'),
       ('abcdefg','xac')] 

for a,b in cases:     
    print('{} => {}'.format(a,b))  
    for i,s in enumerate(difflib.ndiff(a, b)):
        if s[0]==' ': continue
        elif s[0]=='-':
            print(u'Delete "{}" from position {}'.format(s[-1],i))
        elif s[0]=='+':
            print(u'Add "{}" to position {}'.format(s[-1],i))    
    print()      

印刷：

afrykanerskojęzyczny => afrykanerskojęzycznym
Add "m" to position 20

afrykanerskojęzyczni => nieafrykanerskojęzyczni
Add "n" to position 0
Add "i" to position 1
Add "e" to position 2

afrykanerskojęzycznym => afrykanerskojęzyczny
Delete "m" from position 20

nieafrykanerskojęzyczni => afrykanerskojęzyczni
Delete "n" from position 0
Delete "i" from position 1
Delete "e" from position 2

nieafrynerskojęzyczni => afrykanerskojzyczni
Delete "n" from position 0
Delete "i" from position 1
Delete "e" from position 2
Add "k" to position 7
Add "a" to position 8
Delete "ę" from position 16

abcdefg => xac
Add "x" to position 0
Delete "b" from position 2
Delete "d" from position 4
Delete "e" from position 5
Delete "f" from position 6
Delete "g" from position 7

Answer 2

我喜欢 ndiff 答案，但是如果您想将其全部吐出仅包含更改的列表，则可以执行以下操作：

import difflib

case_a = 'afrykbnerskojęzyczny'
case_b = 'afrykanerskojęzycznym'

output_list = [li for li in difflib.ndiff(case_a, case_b) if li[0] != ' ']

Answer 3

您可以查看正则表达式模块（模糊部分）。 我不知道您是否可以获得实际差异，但至少您可以指定允许的不同类型更改的数量，例如插入、删除和替换：

import regex
sequence = 'afrykanerskojezyczny'
queries = [ 'afrykanerskojezycznym', 'afrykanerskojezyczni', 
            'nieafrykanerskojezyczni' ]
for q in queries:
    m = regex.search(r'(%s){e<=2}'%q, sequence)
    print 'match' if m else 'nomatch'

Answer 4

您要求的是一种特殊的压缩形式。 xdelta3是为这种特殊类型的压缩而设计的，它有一个 python 绑定，但你可能可以直接使用 zlib。 您想使用zlib.compressobj和zlib.decompressobj并将zdict参数设置为您的“基本词”，例如afrykanerskojęzyczny 。

注意事项是zdict仅在 python 3.3 及更高版本中受支持，如果您的所有差异都具有相同的“基本词”，则最容易编码，这可能是您想要的，也可能不是。

Answer 5

您可能会发现NLTK库中可用的工具可用于计算不同单词之间的差异。

nltk.metrics.distance.edit_distance()是一个成熟的（非标准）库实现，用于计算Levenshtein 距离

一个简单的例子可能是：

from nltk.metrics.distance import *

w1 = 'wordone'
w2 = 'wordtwo'
edit_distance(w1, w2)

Out: 3

附加参数允许对输出进行加权，具体取决于不同操作（替换/插入）和不同字符差异的成本（例如，靠近键盘的字符成本更低）。

Answer 6

我上面对原始问题的评论的答案让我认为这就是他想要的：

loopnum = 0
word = 'afrykanerskojęzyczny'
wordlist = ['afrykanerskojęzycznym','afrykanerskojęzyczni','nieafrykanerskojęzyczni']
for i in wordlist:
    wordlist[loopnum] = word
    loopnum += 1

这将执行以下操作：

对于 wordlist 中的每个值，将 wordlist 的值设置为原始代码。

您所要做的就是将这段代码放在您需要更改的单词列表中，确保将需要更改的单词存储在单词列表中，并且原始单词是正确的。