C＃ - 兩個大字符串數組的模糊比較

Question

我需要在B中找到“部分”存在於A中的所有字符串。

B = [ "Hello World!", "Hello Stack Overflow!", "Foo Bar!", "Food is nice...", "Hej" ]
A = [ "World", "Foo" ]
C = B.FuzzyCompare(A) // C = [ "Hello World!", "Foo Bar!", "Food is nice..." ]

我一直在研究使用Levenshtein Distance Algorithm來解決問題的“模糊”部分，以及使用LINQ進行迭代。 但是，A * B通常會導致超過15億次比較。

我該怎么辦呢？ 有沒有辦法快速“幾乎比較”兩個字符串列表？

Answer 1

也許僅僅比較子串就足夠了，這會更有效：

var C = B.Where(s1 => A.Any(s2 => s1.IndexOf(s2, StringComparison.OrdinalIgnoreCase) >= 0)).ToList();

Answer 2

這似乎是一個很好的使用后綴Trie 。

后綴Trie是一棵沒有有效載荷的樹。 它索引給定字符串或句子的所有后綴，以便可以在O（n）時間內搜索它們。 因此，如果您在A中的輸入是“hello”，它將以一種允許任何這些子串立即有效的方式索引“hello”，“ello”，“llo”，“lo”和“o”查找沒有任何額外的A集枚舉。

基本上，取A所有值並將它們處理成后綴Trie，這是一次O(n * m)操作，其中n是A中元素的數量， m是元素的長度。 然后，對於B每個元素，在后綴Trie中檢查它，它也是O(n * m)操作，其中n是B中元素的數量， m是元素的長度。

Answer 3

我想你可能還在考慮其他問題：

List<string> results = new List<string>();
foreach (string test in B)
{
   if (A.Any(a => test.Contains(a))
      results.Add(test);
}

BTW的復雜性在O(n) （最好）和O(n*m) （最差）的區域 （其中n是A中結果的數字， m是B中結果的數量）