是否有返回索引(列表位置)而不是 str 列表的 'difflib.get_close_matches()' 的替代方案

Question

我想使用类似difflib.get_close_matches的东西，但我想获取索引(即在列表中的位置(，而不是最相似的字符串。

列表的索引更加灵活，因为可以将索引与其他数据结构(与匹配的字符串相关(相关联。

例如，代替：

>>> words = ['hello', 'Hallo', 'hi', 'house', 'key', 'screen', 'hallo', 'question', 'format']
>>> difflib.get_close_matches('Hello', words)
['hello', 'hallo', 'Hallo']

我想要：

>>> difflib.get_close_matches('Hello', words)
[0, 1, 6] 

似乎不存在用于获取此结果的参数，是否有返回索引的difflib.get_close_matches()替代方案？

---

我对另一种选择的研究

我知道我可以使用difflib.SequenceMatcher，然后将字符串与ratio(或quick_ratio(一对一地进行比较。但是，我担心这会非常低效，因为：

1. 我将不得不创建数千个 SequenceMatcher 对象并比较它们(我希望get_close_matches避免使用该类(：

   编辑：假。我查了get_close_matches的源代码，它居然用SequenceMatcher。

2. 没有截止(我猜有一个优化可以避免计算所有字符串的比率(

   编辑：部分错误。代码get_close_matches没有任何重大优化，除了它一起使用real_quick_ratio、quick_ratio和ratio。在任何情况下，我都可以轻松地将优化复制到我自己的函数中。我也没有考虑到 SequenceMatcher 有设置序列的方法：set_seq1、set_seq2，所以至少我不必每次都创建一个对象。

3. 据我了解，所有 python 库都是 C 编译的，这将提高性能。

   编辑：我很确定是这种情况。该函数位于名为 cpython 的文件夹中。

   编辑：直接从difflib执行和将函数复制到文件 mydifflib.py 之间存在很小的差异(p值为0.030198(。

   ipdb> timeit.repeat("gcm('hello', _vals)", setup="from difflib import get_close_matches as gcm; _vals=['hello', 'Hallo', 'hi', 'house', 'key', 'screen', 'hallo', 'question', 'format']", number=100000, repeat=10)
   [13.230449825001415, 13.126462900007027, 12.965455356999882, 12.955717618009658, 13.066136312991148, 12.935014379996574, 13.082025538009475, 12.943519036009093, 13.149949093989562, 12.970130036002956]
   ipdb> timeit.repeat("gcm('hello', _vals)", setup="from mydifflib import get_close_matches as gcm; _vals=['hello', 'Hallo', 'hi', 'house', 'key', 'screen', 'hallo', 'question', 'format']", number=100000, repeat=10)
   [13.363269686000422, 13.087718107010005, 13.112324478992377, 13.358293497993145, 13.283965317998081, 13.056695280989516, 13.021098569995956, 13.04310674899898, 13.024205000008806, 13.152750282009947]
   

尽管如此，它并没有我预期的那么糟糕，我想我会继续，除非有人知道另一个库或替代方案。

Answer 1

我获取了get_close_matches的源代码，并对其进行了修改以返回索引而不是字符串值。

# mydifflib.py
from difflib import SequenceMatcher
from heapq import nlargest as _nlargest
def get_close_matches_indexes(word, possibilities, n=3, cutoff=0.6):
"""Use SequenceMatcher to return a list of the indexes of the best 
"good enough" matches. word is a sequence for which close matches 
are desired (typically a string).
possibilities is a list of sequences against which to match word
(typically a list of strings).
Optional arg n (default 3) is the maximum number of close matches to
return.  n must be > 0.
Optional arg cutoff (default 0.6) is a float in [0, 1].  Possibilities
that don't score at least that similar to word are ignored.
"""
if not n >  0:
raise ValueError("n must be > 0: %r" % (n,))
if not 0.0 <= cutoff <= 1.0:
raise ValueError("cutoff must be in [0.0, 1.0]: %r" % (cutoff,))
result = []
s = SequenceMatcher()
s.set_seq2(word)
for idx, x in enumerate(possibilities):
s.set_seq1(x)
if s.real_quick_ratio() >= cutoff and 
s.quick_ratio() >= cutoff and 
s.ratio() >= cutoff:
result.append((s.ratio(), idx))
# Move the best scorers to head of list
result = _nlargest(n, result)
# Strip scores for the best n matches
return [x for score, x in result]

用法

>>> from mydifflib import get_close_matches_indexes
>>> words = ['hello', 'Hallo', 'hi', 'house', 'key', 'screen', 'hallo', 'question', 'format']
>>> get_close_matches_indexes('hello', words)
[0, 1, 6] 

现在，我可以将此索引与字符串的关联数据相关联，而无需搜索字符串。

Answer 2

不是您问题的确切答案，但我试图找到一个更简单的单匹配索引，语法是

match_string = difflib.get_close_matches(appx_name_str,names_list,n=1,cutoff=0.1)[0] # get the most similar string
match_index = names_list.index(match_string) # index method on list of strings