Python-在两个字符串变得不同时查找

我试图从产品名称列表中提取产品线名称。这将是产品名称的一个子集，并且总是从字符串的开头到名称列出产品线中的变化（如大小、颜色等）的任意点。这对人来说非常容易做到，但数据量要求实现自动化

Ex数据：

item_id        description
100            SomeBrand Medical Jackets Blue SM 
101            SomeBrand Medical Jackets Blue M
200            Acme Gloves Pink X Large
201            Acme Gloves Pink Small 100 Pack
202            Acme Gloves White X Large
203            Acme Gloves White Small

期望输出：

item_id        family
100            SomeBrand Medical Jackets Blue
101            SomeBrand Medical Jackets Blue
200            Acme Gloves Pink
201            Acme Gloves Pink
202            Acme Gloves White
203            Acme Gloves White

方法： 遍历行，遍历每个描述字符串，将每次与最后一项的描述进行比较，如果描述发生更改，则停止。当它从最后一个描述及其超过10个字符更改为字符串时，它会备份一个位置并调用该姓氏。它也适用于上一个项目，因为它是族中的第一个项目，除了一个不匹配的字符串外，没有其他可比较的项目。对于每一个新的描述，我都要确保它与上一个使用SequenceMatcher的描述非常相似，以便在数据进入新的产品系列时重置

我愿意接受关于更好方法的建议。我的代码工作不好，在字符串的末尾留下了工件。实际数据千差万别，但大多数产品线的描述都有一个共同的起点，应该能够提取这些起点来形成家族名称

代码（Win10上的Python 2.7）：

我会解释我的想法： 您设置了一个阈值，这意味着至少有多少个字符应该重叠以定义一个新的系列，并假设每个产品都有一个系列。 通过这样做，您可以将每个新产品存储为一个新的系列。当一个新产品与一个系列重叠超过阈值个字符时，您会收缩该系列名称，以便这两个产品现在都属于该系列

    products = [
"SomeBrand Medical Jackets Blue SM ",
"SomeBrand Medical Jackets Blue M",
"Acme Gloves Pink X Large",
"Acme Gloves Pink Small 100 Pack",
"Acme Gloves White X Large",
"Acme Gloves White Small"
]

families = list()
ifam = list() #index of the family
threshold = 15 #at least 15 characters should be equals


for prod in products:
    if len(prod) < threshold: continue
    check = False
    for j in range(len(families)):
        fam = families[j]
        if prod[:threshold] == fam[:threshold]:
            check = True #product has an already existed category
            for i in range(min(len(prod),len(fam))):

                if prod[i] != fam[i]:
                    families[j] = fam[:i] #keep only the same characters
                    ifam.append(j) #product[i] is in the j family
                    break
            ifam.append(j)    
            break
    if not check:
        families.append(prod) #this product will be used for a category

#let me see the families
for i in range(len(products)):
    print("product: \"%s\" is in the family: \"%s\"" % (products[i],families[ifam[i]]))

产品=[
“SomeBrand医疗夹克蓝色SM”，
“SomeBrand医疗夹克蓝色M”，
“Acme手套粉色X大号”，
“Acme手套粉色小100包”，
“Acme手套白色X大号”，
“Acme手套白色小”
]
族=列表（）
ifam=列表（）#族的索引
阈值=15#至少应等于15个字符
对于产品中的产品：
如果len（prod）<阈值：继续
检查=错误
对于范围内的j（len（族））：
fam=家庭[j]
如果产品[：阈值]==fam[：阈值]：
check=True#产品已存在类别
对于范围内的i（最小值（len（prod），len（fam））：
如果prod[i]！=fam[i]：
族[j]=fam[：i]#只保留相同的字符
ifam.append（j）#产品[i]属于j族
打破
ifam.append（j）
打破
如果没有，请检查：
families.append（prod）#此产品将用于一个类别
#让我看看这些家庭
对于范围内的i（len（产品））：
打印（“产品：\%s\”在系列：\%s\”“%中（产品[i]，系列[ifam[i]]））

---

如果要使用此代码，请记住，您必须选择哪个阈值更适合您，以及如何处理名称短于阈值的产品

您可以使用

itertools

中的

pairwise（）

import itertools

brands = ["SomeBrand Medical Jackets Blue SM ",
          "SomeBrand Medical Jackets Blue M",
          "Acme Gloves Pink X Large",
          "Acme Gloves Pink Small 100 Pack",
          "Acme Gloves White X Large",
          "Acme Gloves White Small"]


def pairwise(iterable):
    "s -> (s0,s1), (s1,s2), (s2, s3), ..."
    a, b = itertools.tee(iterable)
    next(b, None)
    return zip(a, b)

table = []
for pair in pairwise(brands):
    stack = ""
    for x, y in zip(pair[0], pair[1]):
        if x == y:
            stack += x
        else:
            if stack:
                trunk = stack
            break
    table.append((trunk.rstrip(), pair[0]))

print(table)

这就产生了

[
    ('SomeBrand Medical Jackets Blue', 'SomeBrand Medical Jackets Blue SM '),
    ('SomeBrand Medical Jackets Blue', 'SomeBrand Medical Jackets Blue M'),
    ('Acme Gloves Pink', 'Acme Gloves Pink X Large'),
    ('Acme Gloves', 'Acme Gloves Pink Small 100 Pack'),
    ('Acme Gloves White', 'Acme Gloves White X Large')
]

对不起，我得问一下：Python 2已经死了。对于一般的文本解析来说，这也是一个坏主意（因为很难让它正确地处理非ASCII，而且当您这样做时，它比Py3慢得多，内存更密集）。你为什么要在里面写新代码？
[
    ('SomeBrand Medical Jackets Blue', 'SomeBrand Medical Jackets Blue SM '),
    ('SomeBrand Medical Jackets Blue', 'SomeBrand Medical Jackets Blue M'),
    ('Acme Gloves Pink', 'Acme Gloves Pink X Large'),
    ('Acme Gloves', 'Acme Gloves Pink Small 100 Pack'),
    ('Acme Gloves White', 'Acme Gloves White X Large')
]