Python Fuzzywuzzy的process.extract（）：它是如何工作的？

Question

我试图了解python模块Fuzzywuzzy的功能process.extract（）如何工作？

我主要在这里阅读有关Fuzzywuzzy软件包的信息：http ://chairnerd.seatgeek.com/fuzzywuzzy-fuzzy-string-matching-in-python/ ，这是一篇很棒的文章，解释了尝试进行模糊匹配时的不同情况。他们讨论了部分字符串相似性的几种方案：

1）乱序
2）令牌排序
3）令牌集

然后，从这篇文章中：https : //pathindependence.wordpress.com/2015/10/31/tutorial-fuzzywuzzy-string-matching-in-python-improving-merge-accuracy-across-data-products-and-naming -conventions /我学习了如何使用Fuzzywuzzy的process.extract（）函数基本上选择前k个匹配项。

我找不到太多有关process.extract（）函数如何工作的信息。这是我在其GitHub页面（https://github.com/seatgeek/fuzzywuzzy/blob/master/fuzzywuzzy/process.py）上找到的定义/信息，该功能是：

在选择的列表或词典中查找最佳匹配，返回包含匹配及其得分的元组列表。如果使用字典，则还返回每个匹配项的键。

但是，它没有提供有关如何找到最佳方法的详细信息？是否需要我在上面提到的所有3个方案中找到该方案？

我之所以问是因为，当我使用此函数时，有时会有两个非常相似但不匹配的字符串。

例如在我当前的样本数据集中，要匹配的字符串

“总补货提前期（以工作日为单位）”

它与

“ PLANNING_TIME_FENCE_CODE”，“ BUILD_IN_WIP_FLAG”

但不是（正确的答案）

“ FULL_LEAD_TIME”

即使正确的答案像“待匹配字符串”那样具有“提前期”，但它根本不与待匹配字符串匹配。为什么？并以某种方式使看起来不像待匹配字符串的其他匹配。为什么？我现在很笨。

Answer 1

另一个答案在一个关键方面是错误的 - 结果与一种情况process.extract相同的推断fuzz.partial_ratio，因此默认情况下它们正在做同样的事情。

process.extract实际上WRatio()默认使用，是四个fuzz比率的加权组合。这实际上是一个很酷的功能，凭经验在模糊匹配场景中效果很好。

不过，您可以通过scorer参数手动指定字符串比较函数extract

来源process.extract：https : //github.com/seatgeek/fuzzywuzzy/blob/master/fuzzywuzzy/process.py

Answer 2

模糊模糊比较中有四个比率。

• base_ratio：两个字符串的编辑距离。
• partial_ratio: 最相似子串的比率。
• token_sort_ratio：在比较之前对标记进行排序的序列相似性的度量。
• token_set_ratio：查找每个字符串中的所有字母数字标记。

更多关于配给的细节可以在这里找到http://chairnerd.seatgeek.com/fuzzywuzzy-fuzzy-string-matching-in-python/

默认情况下process.extract()使用Partial_ratio的比较，但你也可以用第三个参数来覆盖它process.extract()

前任。

print(fuzz.partial_ratio('Total replenishment lead time (in workdays)', 'Lead_time_planning'))
query = 'Total replenishment lead time (in workdays)'
choices = ['PLANNING_TIME_FENCE_CODE', 'BUILD_IN_WIP_FLAG','Lead_time_planning']
print(process.extract(query, choices))

结果将是：

50
[('Lead_time_planning', 50), ('PLANNING_TIME_FENCE_CODE', 38), ('BUILD_IN_WIP_FLAG', 26)]

这表明它默认使用 partial_ratio，您可以随时覆盖它。