Python中的高性能模糊字符串比较，使用Levenshtein或difflib

我正在进行临床消息标准化（拼写检查），其中我对照900,000个单词的医学词典检查每个给定的单词。我更关心时间的复杂性/性能。

我想进行模糊字符串比较，但是不确定使用哪个库。

选项1：

import Levenshtein
Levenshtein.ratio('hello world', 'hello')

Result: 0.625

选项2：

import difflib
difflib.SequenceMatcher(None, 'hello world', 'hello').ratio()

Result: 0.625

在此示例中，两者给出相同的答案。您是否认为在这种情况下两者表现都一样？

如果您想对Levenshtein和Difflib的相似性进行快速的视觉比较，我计算了约230万本书的书名：

import codecs, difflib, Levenshtein, distance

with codecs.open("titles.tsv","r","utf-8") as f:
    title_list = f.read().split("\n")[:-1]

    for row in title_list:

        sr      = row.lower().split("\t")

        diffl   = difflib.SequenceMatcher(None, sr[3], sr[4]).ratio()
        lev     = Levenshtein.ratio(sr[3], sr[4]) 
        sor     = 1 - distance.sorensen(sr[3], sr[4])
        jac     = 1 - distance.jaccard(sr[3], sr[4])

        print diffl, lev, sor, jac

然后，我用R绘制结果：

出于好奇，我还比较了Difflib，Levenshtein，Sørensen和Jaccard相似度值：

library(ggplot2)
require(GGally)

difflib <- read.table("similarity_measures.txt", sep = " ")
colnames(difflib) <- c("difflib", "levenshtein", "sorensen", "jaccard")

ggpairs(difflib)

结果：

Difflib / Levenshtein的相似性确实很有趣。

2018编辑：如果您要识别相似的字符串，还可以查看minhashing-这里有一个很棒的概述。Minhashing在线性时间内在大型文本集合中发现相似之处非常了不起。我的实验室在这里组装了一个应用程序，该应用程序使用minhashing检测和可视化文本重用：https：//github.com/YaleDHLab/intertext

• difflib.SequenceMatcher使用Ratcliff / Obershelp算法，计算匹配字符的加倍数除以两个字符串中的字符总数。

• Levenshtein使用Levenshtein算法，它计算将一个字符串转换为另一个字符串所需的最少编辑次数

复杂

SequenceMatcher是最坏情况下的二次时间，其预期情况下的行为以复杂的方式取决于序列共有多少个元素。（从这里）

Levenshtein为O（m * n），其中n和m是两个输入字符串的长度。

性能

根据Levenshtein模块的源代码：Levenshtein与difflib（SequenceMatcher）有一些重叠。它仅支持字符串，不支持任意序列类型，但另一方面，它要快得多。