基于优先级排序的python序列匹配器

Question

我正试图从股票名称列表中找到最接近的匹配词，我想把更多的优先权放在前面的词而不是后面的词，尽管后面的词可能有更多的字符

例如

“SG HOLDINGS”与“S2 HOLDINGS”

序列匹配将显示这两个词有更高的相似性比相比，“SG控股”和“SG公司”，但后者实际上是我要找的公司。我怎样才能给股票名称前面的词加上更多的权重呢？我还能用别的库吗

谢谢

Answer 1

如果所有名称都采用PREFIX SUFFIX格式，则可以拆分名称并将序列匹配器首先应用于前缀，然后应用于后缀，然后将距离（例如Levenshtein distance）打包回元组，得到：

1. ('SG', 'HOLDINGS') vs ('S2', 'HOLDINGS') → (1, 0)
2. ('SG', 'HOLDINGS') vs ('SG', 'Corp')     → (0, 8)
3. ('SG', 'HOLDINGS') vs ('SG', 'HOLD')     → (0, 4)
4. ('SG', 'HOLDINGS') vs ('S2', 'HOLDING')  → (1, 1)

当您将这些距离元组按升序排序时，顺序将是[3, 2, 1, 4]

如果股票名称包含不同的字数，您可以计算最长名称中的字数（例如，假设最长名称为“Samsung Electronics Ord Shares”；它包含4个单词），然后使用空字符串扩展所有其他名称部分元组以匹配此长度，然后再计算距离。例如，您将使用：('SG', 'HOLDINGS', '', '')

新距离：

1. ('SG', 'HOLDINGS', '', '') vs ('S2', 'HOLDINGS', '', '') → (1, 0, 0, 0)
2. ('SG', 'HOLDINGS', '', '') vs ('SG', 'Corp', '', '')     → (0, 8, 0, 0)
3. ('SG', 'HOLDINGS', '', '') vs ('Samsung', 'E', 'O', 'S') → (6, 8, 1, 1)

现在按[2, 1, 3]排序