Python中fuzzywuzzy进行字符串模糊匹配的全过程

目录

• 依赖安装
• 编辑距离
• 相似度得分
• 匹配函数
• 完整比对
• 局部比对
• 排序比对
• 核心比对
• process
• extractOne()
• extract()
• extractBests()
• extractWithoutOrder

fuzzywuzzy 是 Python中 基于 Levenshtein 距离算法的字符串模糊匹配库，提供 fuzz.ratio 、 partial_ratio 、 token_sort_ratio 等核心函数，用于高效计算字符串相似度。该库广泛应用于数据清洗、拼写纠错、文本挖掘和用户输入处理等场景。比如识别相同新闻（有些新闻可能会在不同平台进行发布，标题和内容基本上没太大差异，爬取时需要把这种的识别出来，避免重复处理浪费相应资源）。

pip install fuzzywuzzy python-Levenshtein

依赖安装可以使用清华的 pip 镜像源，不然会很慢，甚至很可能导致安装失败：

pip install fuzzywuzzy python-Levenshtein -i https://pypi.tuna.tsinghua.edu.cn/simple some-package

你可以把编辑距离想象成一场“变脸游戏”：给你两个词，比如“kitten”和“sitting”，你要通过最少的操作次数，把第一个词变成第二个词。允许的操作只有三种：

• 插入 （Insert）：加个字母
• 删除 （Delete）：删个字母
• 替换 （Substitute）：换个字母

比如将 “kitten” 怎么变成 “sitting” ？

1. k → s （替换）
2. e → i （替换）
3. 在末尾加个 g （插入）

总共三步完成，所以它们的编辑距离就是3。这种以“最小改动次数”来衡量相似度的方式，非常符合人类的直觉。改动越少，说明俩词越像；改动越多，就越不像。

fuzzywuzzy 把编辑距离转化成了一个 0 到 100 的直观评分。分数越高，越像。

相似度得分 = (1 - 编辑距离 / 最长字符串长度) × 100

常用的匹配函数一般是下面这些，可能还会有一些衍生出来的变体，但整体分类上没有太大变化。下面示例中，不同依赖包版本的算法可能会稍有差异，运行的结果可能会有不同属于正常现象。

ratio() 要求整体上尽量一致，包括顺序，词汇，长度等。它就像一把尺子，从头到尾量一遍两个字符串的相似度。

from fuzzywuzzy import fuzz
standard = "iPhone 15 Pro Max"
variants = [
    "Iphone15ProMax",
    "iphone 15 pro max (256GB)",
    "IPHONE 15 PRO MAX",
]
for v in variants:
    print(f"{v}: {fuzz.ratio(standard.lower(), v.lower())}")
    # Iphone15ProMax: 90
    # iphone 15 pro max (256GB): 81
    # IPHONE 15 PRO MAX: 100

partial_ratio() 自动把短的那个字符串当成模板，在长的那个字符串上滑动，挨个位置截取同样长度的子串，然后调用 ratio() 去比，最后返回最高的那个得分。

from fuzzywuzzy import fuzz
query = "北京路"
db_entry = "广东省广州市越秀区北京路步行街"
print(fuzz.ratio(query, db_entry))  # 只有33多分
print(fuzz.partial_ratio(query, db_entry))  # 高达100分！

token_sort_ratio() 会先把两个字符串按空格或其他分隔符拆分成词（token），然后排序，最后再调用 ratio()  比对得到结果。

from fuzzywuzzy import fuzz
print(fuzz.token_sort_ratio("红 色 跑车", "跑车 红 色"))  # 输出: 100

排序局部比对 partial_token_sort_ratio()

上面这种比对，如果有额外的干扰项的话，还是会影响最终的得分结果。

from fuzzywuzzy import fuzz
print(fuzz.token_sort_ratio("红 色 跑车", "跑车 红 色 这是 干扰 项"))  # 输出: 60

所以还有变体 partial_token_sort_ratio()，排序后再进行局部比对，就能避免额外项的干扰了

from fuzzywuzzy import fuzz
print(fuzz.token_sort_ratio("红 色 跑车", "跑车 红 色 这是 干扰 项"))  # 输出: 60
print(fuzz.partial_token_sort_ratio("红 色 跑车", "跑车 红 色 这是 干扰 项"))  # 输出: 100

token_set_ratio() 会提取两个字符串的所有唯一词汇，然后分成三部分：交集（共同有的词）、A独有、B独有。接着，它会组合这些部分进行多次比对，取最高分。在处理电商商品标题、文章标签等富含冗余信息场景时比较有效。

from fuzzywuzzy import fuzz
title1 = "【旗舰店】Apple iPhone 15 Pro Max 256G 黑色"
title2 = "iPhone15 Pro Max 256GB 手机 黑色"
print(fuzz.token_set_ratio(title1, title2))  # 73

核心局部比对 partial_token_set_ratio()

当然，同排序比对一样，如果两者有额外的干扰项，也会影响最终的得分。

所以还有变体 partial_set_sort_ratio()，核心部分再进行局部比对，就能避免额外项的干扰了

from fuzzywuzzy import fuzz
title1 = "【旗舰店】Apple iPhone 15 Pro Max 256G 黑色"
title2 = "iPhone15 Pro Max 256GB 手机 黑色"
print(fuzz.token_set_ratio(title1, title2))  # 73
print(fuzz.partial_token_set_ratio(title1, title2))  # 100

传给它一个查询词和一个候选列表，它会默默帮你把每个候选都比一遍，然后把得分最高的那位和它的分数打包送回来。默认的 full_process 预处理器会帮你做小写转换、去标点等清洗工作。

from fuzzywuzzy import process
choices = [
    "Apple iPhone 14 Pro",
    "iPhone 14 Plus",
    "Samsung Galaxy S23",
    "Google Pixel 7",
]
query = "iphone 14 pro"
best_match, score = process.extractOne(query, choices)
print(f"最佳匹配: {best_match}, 得分: {score}")
# 输出: 最佳匹配: Apple iPhone 14 Pro, 得分: 95

提取最好的几个，默认是 5 个，会将最佳匹配的几个候选和得分返回来。

from fuzzywuzzy import process
choices = [
    "Apple iPhone 14 Pro",
    "iPhone 14 Plus",
    "Samsung Galaxy S23",
    "Google Pixel 7",
]
query = "iphone 14 pro"
bests_match = process.extract(query, choices, limit=3)
for match, score in bests_match:
    print(f"匹配：'{match}'，得分：{score}")
    # 匹配：'Apple iPhone 14 Pro'，得分：95
    # 匹配：'iPhone 14 Plus'，得分：81
    # 匹配：'Google Pixel 7'，得分：35

目前来看和 extract() 差别不大，唯一的区别是可以设置 score_cutoff 的阈值，使得只返回得分高于阈值的选项。

from fuzzywuzzy import process
choices = [
    "Apple iPhone 14 Pro",
    "iPhone 14 Plus",
    "Samsung Galaxy S23",
    "Google Pixel 7",
]
query = "iphone 14 pro"
bests_match = process.extractBests(query, choices, limit=3, score_cutoff=80)
for match, score in bests_match:
    print(f"匹配：'{match}'，得分：{score}")
    # 匹配：'Apple iPhone 14 Pro'，得分：95
    # 匹配：'iPhone 14 Plus'，得分：81

这个就是上面 extractOne()、extract()、extractBests() 内部所调用的函数，就是按照原始的输入顺序（不会按照评分进行排序）返回每个可选项及其评分。

from fuzzywuzzy import process
choices = [
    "Apple iPhone 14 Pro",
    "iPhone 14 Plus",
    "Samsung Galaxy S23",
    "Google Pixel 7",
]
query = "iphone 14 pro"
bests_match = process.extractWithoutOrder(query, choices)
for match, score in bests_match:
    print(f"匹配：'{match}'，得分：{score}")
    # 匹配：'Apple iPhone 14 Pro'，得分：95
    # 匹配：'iPhone 14 Plus'，得分：81
    # 匹配：'Samsung Galaxy S23'，得分：19
    # 匹配：'Google Pixel 7'，得分：35

到此这篇关于Python 中 fuzzywuzzy 进行字符串模糊匹配的全过程的文章就介绍到这了,更多相关Python fuzzywuzzy 字符串模糊匹配内容请搜索风君子博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持风君子博客！

您可能感兴趣的文章:

• python模糊字符串匹配库fuzzywuzzy用法及说明
• python中不规则字符串模糊匹配(fuzzywuzzy)
• Python Fuzzywuzzy库基本函数及模糊字符串匹配应用实战
• python 字符串模糊匹配Fuzzywuzzy的实现
• Python+FuzzyWuzzy实现模糊匹配的示例详解
• python fuzzywuzzy模块模糊字符串匹配详细用法