SequenceMatcher - 更喜欢有序匹配

Question

我有一个SequenceMatcher函数可以找到最接近的匹配项：

细绳

字符串列表

代码：

def seq_match(text, values, min_match=10):

    highest = (None, 0)

    for v in values:

        sm = SequenceMatcher(a=text, b=v, autojunk=False)

        ratio = int(sm.quick_ratio() * 100)

        print(f'{text} : {v} : {ratio}')

        if ratio > min_match and ratio > highest[1]:

            highest = v, ratio

    return highest

我还有一个数据集：

# (text, value1, value2, value3...): expected_output

test_map = {

    # 1

    ('super delicious cat food', 'decent', 'delicious', 'super delicious'): 'super delicious',

    # 2

    ('salmon: does not contain real salmon', 'chicken', 'salmon', 'arctic salmon'): 'arctic salmon',

}

当#1数据被正确匹配时，#2匹配假设更长的字符串artic salmon比仅仅salmon. 换句话说，我希望salmon能更好地匹配等于或更大的 mathan artic salmon。

以下是全部比赛结果：

# correct 

super delicious cat food : decent : 33

super delicious cat food : delicious : 54

super delicious cat food : super delicious : 76

salmon: does not contain real salmon : chicken : 18

salmon: does not contain real salmon : salmon : 28

# incorrect

salmon: does not contain real salmon : arctic salmon : 48 

# expected

salmon: does not contain real salmon : arctic salmon : 28 or less

我可以SequenceMatcher在这里强迫行为更理智吗？我怎样才能得到我想要的结果？为什么arctic还要产生分数？

我试过关闭自动垃圾邮件，但它似乎没有影响。

Answer 1

如果你看这里的文档SequenceMatcher您将看到其算法的以下描述：The idea is to find the longest contiguous matching subsequence that contains   no “junk” elements  根据这个定义，arctic salmon获得更高的相似度分数是有道理的salmon。为了更好地理解为什么看下面的代码：a = 'salmon: does not contain real salmon'b = 'arctic salmon'sm = SequenceMatcher(a, b, autojunk=False)  sm.get_matching_blocks()输出：[Match(a=1, b=0, size=1), Match(a=15, b=3, size=1), Match(a=17, b=5, size=1), Match(a=29, b=6, size=7), Match(a=36, b=13, size=0)]   如您所见，有 10 个匹配项可供arctic salmon比较，而salmon其中只有 6个匹配项的比率为2 * 10 / 49 = 0.40816326530612246.有关ratio()上面链接中计算战利品的完整说明。