合并类似的字符串Python

Question

我有两个琴弦

string1 = "apple banna kiwi mango"
string2 = "aple banana mango lemon"

我想要将这两个字符串相加（而不是串联）的结果，即结果应该像

result = "apple banana kiwi mango lemon"

我当前的方法很简单。

1. 标记多行字符串（以上字符串在标记化之后），消除所有噪音（特殊/换行符/空字符串）
2. 下一步是确定字符串的余弦相似度，如果大于0.9，则将字符串之一添加到最终结果中

现在，这就是问题所在。 它不涵盖其中一个字符串包含一个单词的一半而另一字符串包含单词的另一半（在某些情况下为正确的单词）的部分。 我还在脚本中添加了此功能。 但是问题仍然存在。 感谢您提供任何有关如何继续前进的帮助。

def text_to_vector(text):
     words = WORD.findall(text)
     return Counter(words)

def get_cosine(vec1, vec2):
     intersection = set(vec1.keys()) & set(vec2.keys())
     numerator = sum([vec1[x] * vec2[x] for x in intersection])

     sum1 = sum([vec1[x]**2 for x in vec1.keys()])
     sum2 = sum([vec2[x]**2 for x in vec2.keys()])
     denominator = math.sqrt(sum1) * math.sqrt(sum2)

     if not denominator:
        return 0.0
     else:
        return float(numerator) / denominator


def merge_string(string1, string2):
    i = 0
    while not string2.startswith(string1[i:]):
        i += 1

    sFinal = string1[:i] + string2
    return sFinal

for item in c:
for j in d:
    vec1 = text_to_vector(item)
    vec2 = text_to_vector(j)
    r = get_cosine(vec1, vec2)
    if r > 0.5:
        if r > 0.85:
            final.append(item)
            break
        else:
            sFinal = merge_string(item, j)
            #print("1.", len(sFinal), len(item), len(j))
            if len(sFinal) >= len(item) + len(j) -8:
                sFinal = merge_string(j, item)
                final.append(sFinal)
                #print("2.", len(sFinal), len(item), len(j))
                temp.append([item, j])
                break

Answer 1

困难的部分是检查单词是否为有效的英语单词。

为此，您必须拥有字典来对照该单词，或者使用nltk。

     pip install nltk  

     from nltk.corpus import wordnet  

     set([w for w in (string1 + string2).split() if  wordnet.synsets(w)]) 

     Out[41]: {'apple', 'banana', 'kiwi', 'lemon', 'mango'}

要捕获数字（如果存在），请添加isdigit（）。

st1 = 'Includes Og Added Sugars'

st2 = 'Includes 09 Added Sugars 09'


set([w for w in (st1 + st2).split() if  (wordnet.synsets(w) or w.isdigit())])

Out[30]: {'09', 'Added', 'Includes', 'Sugars'}

要捕获g等缩写，请添加re.match（）。

set([w for w in (st1 + st2).split() if  (wordnet.synsets(w) or w.isdigit() or re.match(r'\d+g|mg',w))])

Out[40]: {'09', '0g', 'Added', 'Includes', 'Sugars'}

Answer 2

您听说过Levenshtein的距离吗？ 我建议以下算法：

1. 将列表拆分为元素（string1.split（“”））

2. 遍历list(string1) 。 在其中循环遍历list(string2) ，如果说两个元素的Levenshtein距离小于3，则将该元素推入结果数组。

3. 返回result 。

for i in list(string1): for k in list(string2): if levenshtein(i,k) < 3: res.append(i)