Python中不同字长字符串的"in"比较

Question

我正在处理一个名字的数据库，里面可能有重复的条目，我想找出哪些名字是重复的。不过，数据的格式有点乱，有些条目把名字、姓氏和中间名都挤在了一起，而有些则只有名字和姓氏。

我需要一种方法来判断，比如说'John Marvulli'是否和'John Michael Marvulli'匹配，并且能够对这些匹配的名字进行一些操作。但是如果你尝试：

>>> 'John Marvulli' in 'John Michael Marvulli'
False

它会返回False。有没有简单的方法可以比较两个字符串，看看一个名字是否包含在另一个名字里呢？

Answer 1

import re

n1 = "john Miller"
n1 = "john   Miller"

n2 = "johnas Miller"

n3 = "john doe Miller"
n4 = "john doe paul Miller"


regex = "john \\s*(\\w*\\s*)*\\s* Miller"
compiled=re.compile(regex)

print(compiled.search(n1)==None)
print(compiled.search(n2)==None)
print(compiled.search(n3)==None)
print(compiled.search(n4)==None)

'''
output:


False
True
False
False
'''

当然可以！请把你想要翻译的内容发给我，我会帮你用简单易懂的语言解释清楚。

Answer 2

你需要把字符串分开，然后找出里面的每一个单词：

>>> all(x in 'John Michael Marvulli'.split() for x in 'John Marvulli'.split())
True

Answer 3

我最近发现了difflib模块的强大功能。
我觉得这对你会有帮助：

import difflib

datab = ['Pnk Flooyd', 'John Marvulli',
         'Ld Zeppelin', 'John Michael Marvulli',
         'Led Zepelin', 'Beetles', 'Pink Fl',
         'Beatlez', 'Beatles', 'Poonk LLoyds',
         'Pook Loyds']
print datab
print


li = []
s = difflib.SequenceMatcher()

def yield_ratios(s,iterable):
    for x in iterable:
        s.set_seq1(x)
        yield s.ratio()

for text_item in datab:
    s.set_seq2(text_item)
    for gathered in li:
        if any(r>0.45 for r in yield_ratios(s,gathered)):
            gathered.append(text_item)
            break
    else:
        li.append([text_item])


for el in li:
    print el

结果

['Pnk Flooyd', 'Pink Fl', 'Poonk LLoyds', 'Pook Loyds']
['John Marvulli', 'John Michael Marvulli']
['Ld Zeppelin', 'Led Zepelin']
['Beetles', 'Beatlez', 'Beatles']