Python

Question

我有一个小问题，我正在尝试将 2 个列表与其中的单词进行比较以建立相似度百分比，但问题是，如果我在每个列表中有 2 次相同的单词，我会得到一个错误的百分比.

首先我做了这个小脚本：

data1 = ['test', 'super', 'class', 'test', 'boom']
data2 = ['test', 'super', 'class', 'test', 'boom']
res = 0
nb = (len(data1) + len(data2)) / 2
if data1 and data2 and nb != 0:
    for id1, item1 in enumerate(data1):
        for id2, item2 in enumerate(data2):
            if item1 == item2:
                res += 1 - abs(id1 - id2) / nb
    print(res / nb * 100)

问题是，如果我在列表中有 2 次相同的单词，百分比将大于 100%。因此，为了解决这个问题，我在 'res += 1 - abs(id1 - id2) / nb' 行之后添加了一个 'break'，但百分比仍然是错误的。

希望你能理解我的问题，谢谢你的帮助！

Answer 1

您可以使用 difflib.SequenceMatcher 来比较两个列表的相似性。试试这个：

from difflib import SequenceMatcher as sm
data1 = ['test', 'super', 'class', 'test', 'boom']
data2 = ['test', 'super', 'class', 'test', 'boom']
matching_percentage = sm(None, data1, data2).ratio() * 100

输出 :

100.0

Answer 2

data1 = ['test', 'super', 'class', 'test', 'boom']
data2 = ['test', 'super', 'class', 'test', 'boom']
from collections import defaultdict

dic1 =defaultdict(int)
dic2=defaultdict(int)

for i in data1:
    dic1[i]+=1

for i in data2:
    dic2[i]+=1

count = 0

for i in dic1:
    if i in dic2.keys():
        count+=abs(dic2[i]-dic1[i])


result =( (1-count/(len(data1)+len(data2))) *100)

输出

100.0

Answer 3

试试这个代码：

data1 = ['test', 'super', 'class', 'class', 'test', 'boom']
data2 = ['test', 'super', 'class', 'class', 'test', 'boom']
res = 0
nb = (len(data1) + len(data2)) / 2.0

def pos_iter(index, sz):
    yield index
    i1 = index - 1
    i2 = index + 1
    while i1 >=0 and i2 < sz:
        if i1 >= 0:
            yield i1
            i1 -=1
        if i2 < sz:
            yield i2
            i2 += 1
if data1 and data2 and nb != 0:
    for id1, item1 in enumerate(data1):
        for id2 in pos_iter(id1, len(data2)):
            item2 = data2[id2]
            if item1 == item2:
                res += max(0, 1 - abs(id1 - id2) / nb)
                break
    print(res / nb * 100)

您的代码存在问题，您总是从头开始寻找第二个 data2 中的匹配词。如果单词重复，这会给你无效的值。您需要始终搜索单词在 data1 中的 "around" 位置，因为您想要找到最接近的单词。

此外，您还需要添加中断，否则包含所有相同单词的文本将远远高于 1.0。您的 nb 变量需要加倍（或者 python2 将舍入除法结果）。你应该确保 1 - abs(id1 - id2) / nb 大于零，因此我添加了 max(0, ...).

Python - 比较两个列表时出现循环问题

Python - Problem with loops while comparing two lists

iteration

loops

list

enumerate