python文档相似性比较代码_Python 比较文本相似性的方法(difflib,Levenshtein)

Python 比较文本相似性的方法(difflib,Levenshtein)

最近工作需要用到序列匹配，检测相似性，不过有点复杂的是输入长度是不固定的，举例为：

input_and_output = [1, 2, '你好', 世界', 12.34, 45.6, -21, '中国', '美丽']

其中，需要从input_and_output 中选取不固定长度的一段作为输入，且顺序不定，然后去与总体进行比较，找出最符合的，开始是对汉字进行数值化编码，不过后来由于出现汉字越来越多，遂放弃该方法，转向别的方式，查找资料发现了两个python包广被推荐，从下面来看各有优缺点，记录之~

1、difflib

import difflib #python 自带库，不需额外安装

In [49]: test1

Out[49]: ['你好', '我是谁']

In [50]: test2

Out[50]: ['你好啊', '我谁']

In [51]: test3

Out[51]: [12, 'nihao']

In [52]: test4

Out[52]: ['你好', 'woshi']

In [53]: difflib.SequenceMatcher(a=test1, b=test2).quick_ratio()

Out[53]: 0.0

In [54]: difflib.SequenceMatcher(a=test1, b=test4).ratio()

Out[54]: 0.5

2、Levenshtein

#pip install python-Levenshtein

import Levenshtein

In [56]: Levenshtein.distance(','.join(test1), ','.join(test2))

Out[56]: 2

In [57]: Levenshtein.distance(','.join(test1), ','.join(test4))

Out[57]: 5

简单来说，diff