'difficult' 确定 python 中 2 个字符串之间的接近度

Question

我有 2 个字符串 loss of gene 和 aquaporin protein。在一行中，我想查找这两个是否存在于我的文件的一行中，在 5 个单词的附近。有任何想法吗？我进行了广泛的搜索，但找不到任何东西。另外，由于这些是多词字符串，我不能对这两个词使用 abs(array.index)（这可以用单个词）。

谢谢

Answer 1

我不确定这是否是您想要的，但我会试一试！

在Python中，您可以使用"in"来检查一个字符串是否在另一个字符串中。我假设您已经有办法从文件中存储一行：

"loss of gene" in fileLine -> returns boolean (either True or False)

有了这个，你可以检查 "loss of gene" 和 "aquaporin protein" 是否在你的文件中。一旦你确认它们都在那里，你可以通过将文本行分成一个列表来检查它们的接近度：

wordsList = fileLine.split()

如果在您的文本文件中有字符串：

"The aquaporin protein sometimes may exhibit a loss of gene"

拆分后变为：

["The","aquaporin","protein","sometimes","may","exhibit","a","loss","of","gene"]

我不确定这是否是一个有效的句子，但为了举例，让我们忽略它：P

将文本行拆分为单词列表并确认单词在其中后，您可以使用 python![=15= 中列表附带的索引函数获取它们的接近度]

wordsList.index("protein") -> returns index 2

找到索引 "protein" 后，您可以检查索引 "loss" 的位置，然后减去它们以查明它们是否在 5 个单词的邻近范围内。

可以使用索引函数来判断"loss of gene"是在"aquaporin protein"之前还是之后。如果 "loss of gene" 先出现，索引 "gene" 和 "aquaporin" 并减去这些索引。如果 "aquaporin protein" 先出现，索引 "protein" 和 "loss" 并减去这些索引。

如果单词以不同的顺序出现，您将需要做更多的工作以确保正确减去索引，但这应该涵盖问题的实质。祝查哈特好运！

Answer 2

您可以尝试以下方法：

首先通过将文本转换为小写来清理您的文本，仅保留字符并在每个单词之间强制执行一个 space。
接下来，搜索结果文本中的每个短语，并记下起始索引和匹配短语的长度。对这个索引列表进行排序。
接下来通过确保所有找到的索引不是 -1.
如果全部找到，请计算第一个短语结尾和最后一个短语开头之间的单词数。为此，将文本切片从第一个短语的末尾开始到第二个短语的开头，并将其拆分为单词。

脚本如下：

import re

text = "The  Aquaporin protein, sometimes  'may' exhibit a big LOSS of gene."
text = ' '.join(re.findall(r'\b(\w+)\b', text.lower()))

indexes = sorted((text.find(x), len(x)) for x in ['loss of gene', 'aquaporin protein'])

if all(i[0] != -1 for i in indexes) and len(text[indexes[0][0] + indexes[0][1] : indexes[-1][0]].split()) <= 5:
    print "matched"

要将其扩展到处理包含短语列表的文件，可以使用以下方法：

import re

log = 'loss of gene'
phrases = ['aquaporin protein', 'another protein']

with open('input.txt') as f_input:
    for number, line in enumerate(f_input, start=1):
        # Sanitise the line
        text = ' '.join(re.findall(r'\b(\w+)\b', line.lower()))

        # Only process lines containing 'loss of gene'
        log_index = text.find(log)

        if log_index != -1:
            for phrase in phrases:
                phrase_index = text.find(phrase)

                if phrase_index != -1:
                    if log_index < phrase_index:
                        start, end = (log_index + len(log), phrase_index)
                    else:
                        start, end = (phrase_index + len(phrase), log_index)

                    if len(text[start:end].split()) <= 5:
                        print "line {} matched - {}".format(number, phrase)
                        break

这将为您提供以下类型的输出：

line 1 matched - aquaporin protein
line 5 matched - another protein

请注意，这只会发现每行一对短语。

'difficult' 确定 python 中 2 个字符串之间的接近度

'difficult' Determine proximity between 2 strings in python

python

algorithm

proximity