SequenceMatcher -偏好有序匹配

Question

我有一个SequenceMatcher函数来查找最近的匹配，给定如下：

• 字符串
• 字符串列表

代码：

def seq_match(text, values, min_match=10):
    highest = (None, 0)
    for v in values:
        sm = SequenceMatcher(a=text, b=v, autojunk=False)
        ratio = int(sm.quick_ratio() * 100)
        print(f'{text} : {v} : {ratio}')
        if ratio > min_match and ratio > highest[1]:
            highest = v, ratio
    return highest

我还有一个数据集：

# (text, value1, value2, value3...): expected_output
test_map = {
    # 1
    ('super delicious cat food', 'decent', 'delicious', 'super delicious'): 'super delicious',
    # 2
    ('salmon: does not contain real salmon', 'chicken', 'salmon', 'arctic salmon'): 'arctic salmon',
}

当#1数据被正确匹配时，#2匹配假设较长的字符串artic salmon比salmon更匹配。换句话说，我希望salmon比artic salmon更好地匹配相等或更大的值。

以下是所有匹配结果：

# correct 
super delicious cat food : decent : 33
super delicious cat food : delicious : 54
super delicious cat food : super delicious : 76
salmon: does not contain real salmon : chicken : 18
salmon: does not contain real salmon : salmon : 28
# incorrect
salmon: does not contain real salmon : arctic salmon : 48 
# expected
salmon: does not contain real salmon : arctic salmon : 28 or less

我能让SequenceMatcher在这里表现得更理智些吗？我怎么能得到我想要的结果？为什么arctic会产生分数？

我试过关掉自动的垃圾，但它似乎没有影响。

Answer 1

如果你看看SequenceMatcher 这里的医生

您将看到对其算法的以下描述：

The idea is to find the longest contiguous matching subsequence that contains   
no “junk” elements  

根据这一定义，arctic salmon将获得比salmon更高的相似性分数，这是有意义的。

要更好地理解为什么看下面的代码：

a = 'salmon: does not contain real salmon'
b = 'arctic salmon'
sm = SequenceMatcher(a, b, autojunk=False)  
sm.get_matching_blocks()

产出：

[Match(a=1, b=0, size=1),
 Match(a=15, b=3, size=1),
 Match(a=17, b=5, size=1),
 Match(a=29, b=6, size=7),
 Match(a=36, b=13, size=0)]   

如您所见，arctic salmon有10个匹配项，而salmon只有6个匹配项，这给出了2 * 10 / 49 = 0.40816326530612246的速率。

有关ratio()计算的完整解释，请参阅上面的链接。