基于Dataframe的Python模糊字符串搜索

Question

我有500条短信，我用pytesseract来提取所有文本。然后，我从pytesseract (熊猫中的dataframe)中搜索返回字符串(df‘string )中的单词'list’(search_list)。

使用下面的公式效果很好，

df['Found'] = df3['String'].str.findall('(' + '|'.join(search_list) + ')')

我想加入模糊搜索(regex?)因此，它也将寻找替代品。'g‘而不是'c’等，在OCR不太好的地方。我在下面找到了单行代码，但似乎无法成功地将其集成到上面。我该怎么做？

regex.findall("(ATAGGAGAAGATGATGTATA){s<=2}", "ATAGAGCAAGATGATGTATA", overlapped=True)

编辑：注释'String‘超过500个字符，而'search_list’中的条目只有10-15个字符长。这与我的原始代码很好，它只是不能应付任何替代。

Edit2 :示例：

String =‘家树独角兽jantern’s g w.有123台跑步机喷泉，1.5款风趣的cymbal洗发水

搜索=“崩溃的钹”，“独角兽灯笼”

我想两个‘崩溃cymbal’和‘独角兽灯笼’被发现使用模糊逻辑，因为1替代。

Answer 1

在我看来你可以用

import regex
#...
rx = fr'(?:{"|".join(search_list)}){{s<=2:[A-Z]}}'
df["Found"] = df3["String"].apply(lambda r: regex.findall(rx, r, overlapped=True))

该模式将类似于(?:a|b|c|etc){s<=2:[A-Z]}，并且将匹配a、b或c，即使多达两个大写字母被其他字母替换。