如何匹配部分字符串/有更好的方法吗？答案

【问题标题】：How can I match partial strings / is there a better way?如何匹配部分字符串/有更好的方法吗？
【发布时间】：2013-09-23 18:11:55
【问题描述】：

我正在通过 Expedia API 提取酒店名称，并与另一家旅行服务提供商交叉引用结果。

我遇到的问题是，许多酒店名称在 Expedia API 上的显示与在其他提供商中显示的不同，我无法找到匹配它们的好方法。

我将两者的结果与房价一起存储在单独的字典中。因此，例如，Expedia 在立陶宛搜索维尔纽斯的结果可能如下所示：

expediadict = {'Ramada Hotel & Suites Vilnius': 120, 'Hotel Rinno': 100,
'Vilnius Comfort Hotel': 110}

但来自其他提供商的结果可能如下所示：

altproviderdict = {'Ramada Vilnius': 120, 'Rinno Hotel': 100, 
'Comfort Hotel LT': 110}

我唯一能想到的就是删除“Hotel”、“Vilnius”、“LT”和“Lithuania”的所有实例，然后测试 expediadict 键的一部分是否与 altprovderdict 键的一部分匹配。这看起来很混乱而且不是很 Pythonic，所以我想知道你们中是否有人有更清晰的想法？

【问题讨论】：

你听说过正则表达式吗？也许看看re 模块。
@EdgarAroutiounian 我认为这根本不是解决这个问题的正确方法......
你有一个更可能是通用和唯一的标识符吗？比如电话号码、街道地址、一些标准化的身份证号码等？您可以加入酒店名称以外的其他内容。
正则表达式不会帮助这个特定的实例。 @Robᵩ 遗憾的是我无法访问 API，所以我正在抓取。我可以那样做，但是会很费力（而且我注意到经常连地址都不一样！）

标签： python string api dictionary

【解决方案1】：

>>> def simple_clean(word):
...     return word.lower().replace(" ","").replace("hotel","")
... 
>>> a = "Ramada Hotel & Suites Vilnius"
>>> b = "Hotel Ramada Suites Vilnous"
>>> a = simple_clean(a)
>>> b = simple_clean(b)
>>> a
'ramada&suitesvilnius'
>>> b
'ramadasuitesvilnous'
>>> import difflib
>>> difflib.SequenceMatcher(None,a,b).ratio()
0.9230769230769231

对单词进行清理和规范化：例如。删除 Hotel、The、Resort 等词 , 并转换为不带空格的小写等
然后使用像 leveinstein 这样的模糊字符串匹配算法，例如来自difflib 模块。

此方法非常原始，只是一个示例，您可以对其进行增强以满足您的需求以获得最佳结果。

【讨论】：

#1 很危险。考虑Hyatt Place 和伊利诺伊州沃伦维尔的凯悦酒店。他们的名字只是在“地方”和“房子”这两个可能无关紧要的词上有所不同。
在这种情况下，它们都会收到相同的匹配分数，并且都会返回给用户？这似乎是相当不错的行为（假设他返回某种排序列表而不是单个条目）
@rob ，同意，但这取决于用例，用户可以选择不删除这些词。
谢谢大家，我对模糊字符串匹配一无所知，这将完美地工作。存在一些危险，但我返回结果的方式会将这些风险限制在可接受的水平。这就是为什么我喜欢 SO...

【解决方案2】：

如果您只想在单词以相同顺序出现时匹配名称，您可能希望使用一些最长的公共子序列算法，就像在 diff 工具中使用的那样。但用词代替字符或行。

如果顺序不重要，那就更简单了：把名字的所有单词放在一个这样的集合中：

set(name.split())

为了匹配两个名称，测试这两个集合的intersection 的大小。或者测试symmetric_difference是否只包含不重要的词。

【讨论】：