python?fuzzywuzzy模塊，模糊字符串匹配詳細(xì)用法

計算兩個字符串相(或句子)似度的方法有大約有三種：1 編輯距離，2 余弦相似度，3 FuzzyWuzzy
本文章主要給大家講解 FuzzyWuzzy 庫的使用：
1）----》》
導(dǎo)入庫
>>> from fuzzywuzzy import fuzz
>>> from fuzzywuzzy import process

運行代碼
>>> fuzz.ratio("this is a test", "this is a test!")out    97>>> fuzz.partial_ratio("this is a test", "this is a test!")out    100


fuzz.ratio()對位置敏感，全匹配，fuzz.partial_ratio()對位置不敏感，搜索匹配，從輸出的結(jié)果就可以看到。
2）----》》
>>> fuzz._process_and_sort(s, force_ascii, full_process=True)


對字符串s排序。force_ascii:True 或者False。為True表示轉(zhuǎn)換為ascii碼。如果full_process為True，則會將字符串s轉(zhuǎn)換為小寫，去掉除字母和數(shù)字之外的字符（發(fā)現(xiàn)不能去掉-字符），剩下的字符串以空格分開，然后排序。如果為False，則直接對字符串s排序。


>>> fuzz._token_sort(s1, s2, partial=True, force_ascii=True, full_process=True)


給出字符串 s1, s2的相似度。首先經(jīng)過 fuzz._process_and_sort（）函數(shù)處理。partial為True時，再經(jīng)過fuzz.partial_ratio（）函數(shù)。partial為False時，再經(jīng)過fuzz.ratio（）函數(shù)。


>>> fuzz.token_sort_ratio("fuzzy wuzzy was a bear", "wuzzy fuzzy was a bear")out    100


partial為False的_token_sort()
fuzz.partial_token_sort_ratio(s1, s2, force_ascii=True, full_process=True)
就是partial為True時的Fuzz._token_sort（）


3）
>>> fuzz.token_set_ratio("fuzzy was a bear", "fuzzy fuzzy was a bear")out    100


fuzz._token_set(s1, s2, partial=True, force_ascii=True, full_process=True)


當(dāng)partial為False時，就是 fuzz.token_set_ratio（）函數(shù)。


fuzz.partial_token_set_ratio(s1, s2, force_ascii=True, full_process=True)


partial為True的fuzz._token_set（）函數(shù)。


總結(jié)：如果計算相似度的字符串只有字母和數(shù)字，直接可以用ratio（）和partial_ratio()。但如果還有其他字符，而且我們想要去掉這些沒用字符，就用下邊的。下邊的函數(shù)都對順序不敏感，但token_sort_ratio（）系列是全字符匹配，不管順序。而token_set_ratio（）只要第二個字符串包含第一個字符串就100,不管順序。

>>> choices = ["Atlanta Falcons", "New York Jets", "New York Giants", "Dallas Cowboys"]>>> process.extract("new york jets", choices, limit=2)    [('New York Jets', 100), ('New York Giants', 78)]>>> process.extractOne("cowboys", choices)    ("Dallas Cowboys", 90)


query是字符串，choices是數(shù)組，元素是字符串。 processor是對輸入比較的字符串的處理函數(shù)，默認(rèn)是fuzzywuzzy.utils.full_process()，即將字符串變?yōu)樾懀?去掉除字母和數(shù)字之外的字符（發(fā)現(xiàn)不能去掉-字符），剩下的字符串以空格分開。scorer計算兩個字符串相似度的函數(shù)，默認(rèn)fuzz.WRatio()。 limit是輸出個數(shù)。


輸出為數(shù)組，元素為元組，元祖第一個匹配到的字符串，第二個為int型，為score。對輸出按照score排序。


score_cutoff為一個閾值，當(dāng)score小于該閾值時，不會輸出。返回一個生成器，輸出每個大于 score_cutoff的匹配，按順序輸出，不排序。


>>> process.extractBests(query, choices, processor=default_processor, scorer=default_scorer, score_cutoff=0, limit=5)



作者：黑馬程序員人工智能+python培訓(xùn)學(xué)院
首發(fā)：http://python.itheima.com/