句子比较:如何突出差异

Sentence comparison: how to highlight differences

我在 pandas 的一列中有以下字符串序列:

SEQ
An empty world
So the word is
So word is
No word is

我可以使用 fuzzywuzzy 或余弦距离检查相似性。 但是我想知道如何获取有关将位置从 amore 更改为另一个的单词的信息。 例如: 第一行和第二行之间的相似度为 0。但这里是第 2 行和第 3 行之间的相似度。 他们提出几乎相同的词和相同的立场。如果可能的话,我想形象化这种变化(遗漏的词)。与第 3 行和第 4 行类似。 如何查看两个 rows/texts 之间的变化?

假设您使用的是 jupyter / ipython,并且您只对一行与它之前的行之间的比较感兴趣,我会做这样的事情。

一般概念是:

  • 找到两个字符串之间的共享标记(通过拆分 ' ' 并找到两组的交集)。
  • 对两个字符串之间共享的标记应用一些 html 格式。
  • 将此应用于所有行。
  • 将生成的数据帧输出为 html 并在 ipython 中渲染。
import pandas as pd 

data = ['An empty world',
        'So the word is',
        'So word is',
        'No word is']

df = pd.DataFrame(data, columns=['phrase'])

bold = lambda x: f'<b>{x}</b>'

def highlight_shared(string1, string2, format_func):
    shared_toks = set(string1.split(' ')) & set(string2.split(' '))
    return ' '.join([format_func(tok) if tok in shared_toks else tok for tok in string1.split(' ') ])

highlight_shared('the cat sat on the mat', 'the cat is fat', bold)

df['previous_phrase'] = df.phrase.shift(1, fill_value='')
df['tokens_shared_with_previous'] = df.apply(lambda x: highlight_shared(x.phrase, x.previous_phrase, bold), axis=1)

from IPython.core.display import HTML

HTML(df.loc[:, ['phrase', 'tokens_shared_with_previous']].to_html(escape=False))