172

私は臨床メッセージの正規化 (スペル チェック) を行っており、与えられた各単語を 900,000 語の医学辞書と照らし合わせてチェックしています。時間の複雑さ/パフォーマンスについてもっと心配しています。

あいまい文字列比較を行いたいのですが、どのライブラリを使用すればよいかわかりません。

オプション1：

import Levenshtein
Levenshtein.ratio('hello world', 'hello')

Result: 0.625

オプション 2:

import difflib
difflib.SequenceMatcher(None, 'hello world', 'hello').ratio()

Result: 0.625

この例では、どちらも同じ答えを返します。この場合、どちらも同じように機能すると思いますか?

4

2 に答える 2

198

レーベンシュタインと Difflib の類似性を簡単に視覚的に比較したい場合のために、約 230 万の書籍タイトルについて両方を計算しました。

import codecs, difflib, Levenshtein, distance

with codecs.open("titles.tsv","r","utf-8") as f:
    title_list = f.read().split("\n")[:-1]

    for row in title_list:

        sr      = row.lower().split("\t")

        diffl   = difflib.SequenceMatcher(None, sr[3], sr[4]).ratio()
        lev     = Levenshtein.ratio(sr[3], sr[4]) 
        sor     = 1 - distance.sorensen(sr[3], sr[4])
        jac     = 1 - distance.jaccard(sr[3], sr[4])

        print diffl, lev, sor, jac

次に、R を使用して結果をプロットしました。

ここに画像の説明を入力

厳密に言えば、Difflib、Levenshtein、Sørensen、および Jaccard の類似値も比較しました。

library(ggplot2)
require(GGally)

difflib <- read.table("similarity_measures.txt", sep = " ")
colnames(difflib) <- c("difflib", "levenshtein", "sorensen", "jaccard")

ggpairs(difflib)

結果： ここに画像の説明を入力

Difflib とレーベンシュタインの類似性は非常に興味深いものです。

2018 年編集: 類似の文字列の識別に取り組んでいる場合は、minhashing も確認してください。ここに概要があります。Minhashing は、大量のテキスト コレクションの類似点を線形時間で見つけることに優れています。私のラボでは、ミンハッシングを使用してテキストの再利用を検出および視覚化するアプリをまとめました: https://github.com/YaleDHLab/intertext

于 2015-07-06T01:11:07.467 に答える
127

  • difflib.SequenceMatcher はRatcliff/Obershelpアルゴリズムを使用して、一致する文字の 2 倍の数を 2 つの文字列の合計文字数で割った値を計算します。

  • レーベンシュタインレーベンシュタイン アルゴリズムを使用して、1 つの文字列を別の文字列に変換するために必要な編集の最小数を計算します。

複雑

SequenceMatcher は最悪の場合の 2 次時間であり、予想されるケースの動作は、シーケンスに共通する要素の数に複雑に依存します。（ここから）

レーベンシュタインは O(m*n) で、n と m は 2 つの入力文字列の長さです。

パフォーマンス

Levenshtein モジュールのソース コードによると、 Levenshtein は difflib (SequenceMatcher) と一部重複しています。任意のシーケンスタイプではなく、文字列のみをサポートしますが、一方ではるかに高速です。

于 2011-07-14T09:05:50.463 に答える