🧖🏽 🚠 ❓ Uso de la biblioteca FuzzyWuzzy para comparaciones difusas en Python. Distancia Levenshtein (distancia editorial) 🚶🏿 😉 🔆

No estaba seguro de haber escuchado correctamente. ¡Depende mucho de eso! Pero no preguntes de nuevo? (c) Boris Akunin. El mundo entero es un teatro.

Mientras trabajaba en el asistente de voz que se mencionó en el artículo anterior , me di cuenta de que no puedo evitar compartir la hermosa biblioteca FuzzyWuzzy con usted .

En resumen, gracias a ella, es posible hacer una comparación de cadenas difusas sin ningún sufrimiento.

Primeros pasos

Para comenzar, debe seguir dos pasos:

/ ¡IMPORTANTE! Python versión 2.7 y superior /

Paso 1. Instalación.

Abra la línea de comando e ingrese:

pip install fuzzywuzzy

Presione Entrar.
A continuación, instale python-Levenshtein de la misma manera para acelerar la coincidencia de cadenas de 3 a 10 veces.

pip install python-Levenshtein

Una vez completada la instalación, la biblioteca está lista para importar.

Paso 2. Importar al proyecto.

from fuzzywuzzy import fuzz
from fuzzywuzzy import process

Funcional

1. La comparación más común:

a = fuzz.ratio(' ', ' ')
print(a)
#  : 100

Si cambiamos un par de caracteres, la salida obtendrá un número diferente.

a = fuzz.ratio(' ', ' ')
print(a)
#  : 84

2. Comparación parcial:

este tipo de comparación en toda la segunda línea busca una coincidencia con la inicial, por ejemplo:

a = fuzz.partial_ratio(' ', ' !')
print(a)
#  : 100

a = fuzz.partial_ratio(' ', ' ,  ')
print(a)
#  : 100

Pero debe recordar sobre el registro, ya que

a = fuzz.partial_ratio(' ', ' ,  ')
print(a) 

#  : 90

3. Comparación de

tokens 1) Relación de clasificación de tokens

Las palabras se comparan entre sí, independientemente del caso o el orden

a = fuzz.token_sort_ratio('  ', '  ')
print(a)
#  : 100

a = fuzz.token_sort_ratio('  ', '   ')
print(a)
#  : 78

a = fuzz.token_sort_ratio('1 2   ', '1   2 ')
print(a)
#  : 100

2) Relación de conjunto de fichas
Esta comparación, a diferencia del pasado, iguala las cadenas, si su diferencia es la repetición de palabras.

a = fuzz.token_set_ratio('  ', '     ')
print(a)
#  : 100

4. Comparación regular avanzada

En muchos casos, es más aconsejable usar exactamente WRatio , ya que distingue entre mayúsculas y minúsculas (no divide la cadena)

a = fuzz.WRatio('  ', '!  !')
print(a)
#  : 100

a = fuzz.WRatio('  ', '!,  !')
print(a)
#  : 97

5. Trabajar con la lista

Para comparar las líneas con las líneas de la lista, se utiliza el módulo de proceso

city = ["", "-", "", "", "", "", "", "", "", "", ""]
a = process.extract("", city, limit=2)
#  limit     5
print(a)
#  : [('', 100), ('', 62)]

Si solo se necesita el primero de la lista, entonces es mejor usar extractOne

city = ["", "-", "", "", "", "", "", "", "", "", ""]
a = process.extractOne("", city)
print(a)
#  : ('', 90)

Solicitud

Cómo y dónde aplicar todo lo anterior depende de usted, pero aquí hay un ejemplo de mi trabajo final :

#    
try:
    files = os.listdir('C:\\Users\\hartp\\Desktop\\')
    filestart = process.extractOne(namerec, files)
    if filestart[1] >= 80:
        os.startfile('C:\\Users\\hartp\\Desktop\\' + filestart[0])
    else:
        speak('  ')
except FileNotFoundError:
    speak('  ')

Repasemos el código y comprendamos qué es qué. Con el

comando os.listdir, obtenemos una lista de todos los archivos que están presentes al final de la ruta especificada (en nuestro caso, al escritorio).

files = os.listdir('C:\\Users\\hartp\\Desktop\\')
print(files)
#  : 'Visual Studio 2019.lnk', 'Visual Studio Code.lnk', 'WarThunder.lnk', 'WpfApp14', 'Yandex.lnk', '.docx', '.txt', ' .txt'  ..

Lo siguiente es una comparación de las líneas de la lista de archivos con el nombre del archivo que nombró el usuario (variable namerec ). Espero que hayas notado que el resultado de la función extractOne es una tupla de cadena y número (índice de similitud)

Ejemplo del último capítulo

city = ["", "-", "", "", "", "", "", "", "", "", ""]
a = process.extractOne("", city)
print(a)
#  : ('', 90)

En base a esto, verificamos el índice de similitud de inicio de archivo [1]> = 80 ([1], ya que la tupla está numerada desde 0, como en una matriz) y, si la condición es verdadera, ejecuta la función os.startfile con un archivo llamado filestart [0 ] De lo contrario, si el índice de similitud es inferior a 80 o se produce un error de que no se encontró el archivo, informamos al usuario a través de la función de voz .