python fuzzywuzzy 的 process.extract()：它是如何工作的？

Question

我想了解 python 模块 fuzzywuzzy 的函数 process.extract() 是如何工作的？

我主要在这里阅读了 fuzzywuzzy 包： http ://chairnerd.seatgeek.com/fuzzywuzzy-fuzzy-string-matching-in-python/，这是一篇很好的文章，解释了尝试进行模糊匹配时的不同场景。他们讨论了部分字符串相似性的几种情况：

1. 故障

2）令牌排序

3）令牌集

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

我找不到太多关于 process.extract() 函数如何工作的信息。这是我在他们的 GitHub 页面 ( https://github.com/seatgeek/fuzzywuzzy/blob/master/fuzzywuzzy/process.py ) 上找到的定义/信息，这个函数：

在选择列表或字典中查找最佳匹配项，返回包含匹配项及其分数的元组列表。如果使用字典，还返回每个匹配项的键。

但是，它没有提供有关如何找到最好的细节？是否需要我上面提到的所有 3 种情况才能找到它？

之所以这么问，是因为我在使用这个函数的时候，有时候会出现两个非常相似但不匹配的字符串。

例如在我当前的示例数据集中，对于待匹配字符串

“总补货提前期（工作日）”

它匹配到

“PLANNING_TIME_FENCE_CODE”、“BUILD_IN_WIP_FLAG”

但不是（正确答案）

“FULL_LEAD_TIME”

尽管正确答案与待匹配字符串一样具有“准备时间”，但它根本不匹配待匹配字符串。为什么？不知何故，其他看起来不像待匹配字符串的字符串会被匹配。为什么？我现在很无知。

原文由 alwaysaskingquestions 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

另一个答案在一个关键方面是错误的——推断 process.extract 的结果与 fuzz.partial_ratio 在一种情况下相同，因此他们默认做同样的事情。

process.extract 实际上默认使用 WRatio() ，这是四个 fuzz 比率的加权组合。这实际上是一个很酷的功能，根据经验，它在模糊匹配场景中运行良好。

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

原文由 Jack Rowntree 发布，翻译遵循 CC BY-SA 4.0 许可协议