字符串比较

字符串比较

字符串相似度匹配工作中时常遇到需要去A表中搜索是否存在B字符串，或者是否存在近似的相关字符串，在数量较大的情况可以采用以下三种方法进行快速识别，灵活呈现结果：

方法一：Levenshtein编辑距离方法，**指的是两个字符串之间，由一个转换成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。例如：例如‘大黄河’与‘黄河流域’比较，“大黄河”需要去掉“大”、再补充“流”“域”才能完全相同，故两者的距离为3。

Levenshtein.distance(str1, str2)

方法二：**difflib方法，**这个模块提供的类和方法用来进行差异化比较。他源于1980,s的“完形匹配算法”，并且进行了一系列的优化和改进。由于原始的完形匹配算法，在最坏情况下有n的平方次运算，在最好情况下，具有线性的效率

difflib.SequenceMatcher(None, str1, str2).quick_ratio()

方法三：切片比较方法。将字符串进行切片，然后逐一进行比较。例如‘我爱青藏高原’与‘青藏高原是一个美丽的地方’比较，先进行字符长度比较，再将长度最小的字符串进行切片处理，‘我爱青藏高原’可分切为‘我爱’/‘爱青’/‘青藏’/‘藏高’/‘高原’这5个组，将其逐一与后者进行比较，成功一次则+1，全部能匹配上则为100%。
假定已判断数据A长度小于数据B的长度：

for a in df.数据A:
	x=0
	y=2
	while x<(len(a)-1):
		temp=a[x:y]
		for d in df.数据B:
			if str(temp) in str(d):
				data = [a, temp, d, '1']
				df2 = pd.DataFrame([data],index=None)
				print(df2)
		x=x+1
		y=y+1