有没有替代品`difflib.get_close_匹配项（）`返回索引（列表位置）而不是str list？

Question

我想使用类似于^{}但是而不是最相似的字符串，我希望获得索引（即列表中的位置）。在

列表的索引更加灵活，因为可以将索引与其他数据结构（与匹配的字符串相关）相关联。在

例如，代替：

>>> words = ['hello', 'Hallo', 'hi', 'house', 'key', 'screen', 'hallo', 'question', 'format']
>>> difflib.get_close_matches('Hello', words)
['hello', 'hallo', 'Hallo']

我想：

^{pr2}$

似乎不存在一个参数来获得这个结果，有没有一个可以替代difflib.get_close_matches()返回索引的方法？在

---

我对另一种选择的研究

我知道我可以使用difflib.SequenceMatcher，然后将字符串与ratio（或quick_ratio）进行一对一的比较。但是，我担心这样做会很低效：

1. 我必须创建数千个SequenceMatcher对象并对它们进行比较（我希望get_close_matches避免使用该类）：

   编辑：错误。我检查了source code of ^{}，它实际上使用了SequenceMatcher。

2. 没有截止（我猜有一个优化可以避免计算所有字符串的比率）

   编辑：部分错误。代码是get_close_matches没有任何主要的优化，除了使用^{}, ^{} and ^{} alltogether。无论如何，我可以很容易地将优化复制到我自己的函数中。我也没有考虑到SequenceMatcher有设置序列的方法：set_seq1，set_seq2，所以至少我不必每次都创建一个对象。

3. 据我所知，所有python库都是C编译的，这将提高性能。在

   编辑：我很确定是这样。该函数位于名为cpython的文件夹中。在

   编辑：直接从difflib执行与在文件中复制the function之间有一个小差别（p值为0.030198）mydifflib.py. 在

   ipdb> timeit.repeat("gcm('hello', _vals)", setup="from difflib import get_close_matches as gcm; _vals=['hello', 'Hallo', 'hi', 'house', 'key', 'screen', 'hallo', 'question', 'format']", number=100000, repeat=10)
   [13.230449825001415, 13.126462900007027, 12.965455356999882, 12.955717618009658, 13.066136312991148, 12.935014379996574, 13.082025538009475, 12.943519036009093, 13.149949093989562, 12.970130036002956]
   
   ipdb> timeit.repeat("gcm('hello', _vals)", setup="from mydifflib import get_close_matches as gcm; _vals=['hello', 'Hallo', 'hi', 'house', 'key', 'screen', 'hallo', 'question', 'format']", number=100000, repeat=10)
   [13.363269686000422, 13.087718107010005, 13.112324478992377, 13.358293497993145, 13.283965317998081, 13.056695280989516, 13.021098569995956, 13.04310674899898, 13.024205000008806, 13.152750282009947]
   

尽管如此，它并不像我预期的那么糟糕，我想除非有人知道另一个图书馆或其他选择，否则我会继续下去。在

Answer 1

我获取了^{}的源代码，并对其进行了修改，以返回索引而不是字符串值。在

# mydifflib.py
from difflib import SequenceMatcher
from heapq import nlargest as _nlargest

def get_close_matches_indexes(word, possibilities, n=3, cutoff=0.6):
    """Use SequenceMatcher to return a list of the indexes of the best 
    "good enough" matches. word is a sequence for which close matches 
    are desired (typically a string).
    possibilities is a list of sequences against which to match word
    (typically a list of strings).
    Optional arg n (default 3) is the maximum number of close matches to
    return.  n must be > 0.
    Optional arg cutoff (default 0.6) is a float in [0, 1].  Possibilities
    that don't score at least that similar to word are ignored.
    """

    if not n >  0:
        raise ValueError("n must be > 0: %r" % (n,))
    if not 0.0 <= cutoff <= 1.0:
        raise ValueError("cutoff must be in [0.0, 1.0]: %r" % (cutoff,))
    result = []
    s = SequenceMatcher()
    s.set_seq2(word)
    for idx, x in enumerate(possibilities):
        s.set_seq1(x)
        if s.real_quick_ratio() >= cutoff and \
           s.quick_ratio() >= cutoff and \
           s.ratio() >= cutoff:
            result.append((s.ratio(), idx))

    # Move the best scorers to head of list
    result = _nlargest(n, result)

    # Strip scores for the best n matches
    return [x for score, x in result]

使用

^{pr2}$

现在，我可以将这些索引与字符串的关联数据关联起来，而不必搜索字符串。在