在Python中模糊string比较，与哪个库混淆使用

我想做模糊的string比较，但与哪个库混淆使用。

选项1：

import Levenshtein Levenshtein.ratio('hello world', 'hello') Result: 0.625 

选项2：

 import difflib difflib.SequenceMatcher(None, 'hello world', 'hello').ratio() Result: 0.625 

在这个例子中，两者给出了相同的答案。 但我更喜欢使用difflib 。 任何专家的build议。 谢谢。

Updated:

我正在做临床消息正常化（拼写检查），在这个过程中，我检查每个给定的单词与900,000字医学词典。 我更关心时间复杂度/性能。

你认为在这种情况下两者performance相似吗？

Answer 1

• difflib.SequenceMatcher使用Ratcliff / Obershelpalgorithm计算匹配字符的两倍数除以两个string中的字符总数。

• Levenshtein使用Levenshteinalgorithm计算将一个string转换为另一个string所需的最less编辑次数

复杂

SequenceMatcher是最坏情况下的二次方时间，并且预期情况行为以复杂的方式依赖于序列有多less共同的元素。 （ 从这里 ）

Levenshtein是O（m * n），其中n和m是两个inputstring的长度。

性能

根据Levenshtein模块的源代码 ：Levenshtein与difflib（SequenceMatcher）有一些重叠。 它只支持string，而不是任意的序列types，但另一方面它更快。

Answer 2

如果你对Levenshtein和Difflib的相似度进行快速的视觉比较感兴趣，我计算了两百三十万的书名：

 import codecs, difflib, Levenshtein, distance with codecs.open("titles.tsv","r","utf-8") as f: title_list = f.read().split("\n")[:-1] for row in title_list: sr = row.lower().split("\t") diffl = difflib.SequenceMatcher(None, sr[3], sr[4]).ratio() lev = Levenshtein.ratio(sr[3], sr[4]) sor = 1 - distance.sorensen(sr[3], sr[4]) jac = 1 - distance.jaccard(sr[3], sr[4]) print diffl, lev, sor, jac 

然后我用R绘制结果：

为了好奇，我还比较了Difflib，Levenshtein，Sørensen和Jaccard的相似度值：

 library(ggplot2) require(GGally) difflib <- read.table("similarity_measures.txt", sep = " ") colnames(difflib) <- c("difflib", "levenshtein", "sorensen", "jaccard") ggpairs(difflib) 

结果：

Difflib / Levenshtein的相似性真的很有趣。