从 2 个列表中提取相似字符串的 Python 代码

Question

我有 2 个来自 2 个不同来源的玩家姓名列表。

names1 = ['C.J. McCollum', 'Metta World', 'LeBron James', 'Stephen Curry']

names2 = ['Metta World Peace', 'Steph Curry', 'Kevin Durant', 'CJ McCollum']

这里的问题是，尽管他们是同一个球员，但在 2 个来源中提到他们名字的方式存在一些差异。我使用以下代码查找相似的名称（names1 中的所有字符都应存在于names2 中）：

idx = np.zeros(3)
i = 0
for x, y in enumerate(names1):
    for z, w in enumerate(names2):
        if y in w:
            idx[i] = x
            i = i+1

对于names1的每次迭代，names2的所有迭代中的代码，并输出与names2中的条目相似的条目的索引。 idx 是一个列表，应该包含相似字符串的索引。 i 是idx 的索引。每次找到类似的字符串时，将其存储在idx 中，i 增加 1，以便将找到的下一个条目记录在索引 i+1 的 idx 中。

预期答案： idx = [0, 1, 3]

但是我收到以下错误： list assignment index out of range

我该如何修复代码，有没有更好的方法来解决这个问题？

Answer 1

由于 y in z: 出现错误，您可以在 w: 中使用 y 你也可以做一些格式化，比如删除“。”在比较之前，然后您可以使用任何字符串相似性算法（例如 Levenshtein 距离）来查找相似的字符串， "pip install python-Levenshtein"

import numpy as np
import Levenshtein as ld

names1 = ['C.J. McCOllum', 'Metta World Peace', 'LeBron James', 'Stephen 
Curry']

names2 = ['Metta World Peace', 'Steph Curry', 'Kevin Durant', 'CJ McCollum']
idx = np.zeros(3)
i = 0
similarity_index =3
for x, y in enumerate(names1):
y=y.replace('.','')

for z, w in enumerate(names2):
    w= w.replace('.','')
    if ld.distance(y,w) < similarity_index:
        idx[i] = x
        i = i+1


 print(idx)

Answer 2

这是一个尝试（这里我认为只有像 M.C = MC、majuscule 和 minicule 的使用以及小于 2 的 Levenshtein 距离这样的变化才被认为是两个名称相同）：

import numpy as np


def levenshtein_distance(v, w):
    n, m = len(v), len(w)
    M = np.zeros((n+1, m+1))
    for i in range(n+1):
        M[i, 0] = i
    for j in range(m+1):
        M[0, j] = j
    for i in range(1, n + 1):
        for j in range(1, m + 1):
            if v[i-1] == w[j-1]:
                M[i, j] = min(M[i-1, j] + 1, M[i, j-1] + 1, M[i-1, j-1])
            else:
                M[i, j] = min(M[i-1, j] + 1, M[i, j-1] + 1, M[i-1, j-1] + 1)
    return M[n, m]

def norm_names(x):
    # more names normalization can be added here
    return x.replace(".", "").lower()

names1 = ['C.J. McCollum', 'Metta World Peace', 'LeBron James', 'Stephen Curry']
names2 = ['Metta World Peace', 'Steph Curry', 'Kevin Durant', 'CJ McCollum']

names1 = list(map(norm_names, names1))
names2 = list(map(norm_names, names2))

indices = []
for i, name in enumerate(names1):
    for name2 in names2:
         indices += [i] if levenshtein_distance(name, name2) <= 2 else []

这将返回[0, 1, 3]