Python 如何将发音相似的单词组合在一起

我试图从一个列表中找出所有听起来相似的单词

我试着用余弦相似性得到它们，但这并没有达到我的目的

from sklearn.metrics.pairwise import cosine_similarity
dataList = ['two','fourth','forth','dessert','to','desert']
cosine_similarity(dataList)

我知道这不是正确的方法，我似乎无法得到如下结果：

result = ['xx', 'xx', 'yy', 'yy', 'zz', 'zz'] 

---

如果它们的意思是发音相似的单词

首先，您需要使用正确的方法来获得发音相似的单词，即字符串相似性，我建议：

使用：

输出：

T000
T000

['D263', 'D263', 'F630', 'F630', 'T000', 'T000']

T000
T000

[['D263', 'D263'], ['F630', 'F630'], ['T000', 'T000']]

[[('dessert', 'D263'), ('desert', 'D263')], [('fourth', 'F630'), ('forth', 'F630')], [('two', 'T000'), ('to', 'T000')]]

现在，或许可以创建一个函数来处理列表，然后对其进行排序以获得它们：

def getSoundexList(dList):
    res = [soundex(x) for x in dList]   # iterate over each elem in the dataList
    # print(res)     # ['T000', 'F630', 'F630', 'D263', 'T000', 'D263']
    return res

dataList = ['two','fourth','forth','dessert','to','desert']    
print([x for x in sorted(getSoundexList(dataList))])

输出：

T000
T000

['D263', 'D263', 'F630', 'F630', 'T000', 'T000']

T000
T000

[['D263', 'D263'], ['F630', 'F630'], ['T000', 'T000']]

[[('dessert', 'D263'), ('desert', 'D263')], [('fourth', 'F630'), ('forth', 'F630')], [('two', 'T000'), ('to', 'T000')]]

编辑：

另一种方法可以是：

使用：

输出：

T000
T000

['D263', 'D263', 'F630', 'F630', 'T000', 'T000']

T000
T000

[['D263', 'D263'], ['F630', 'F630'], ['T000', 'T000']]

[[('dessert', 'D263'), ('desert', 'D263')], [('fourth', 'F630'), ('forth', 'F630')], [('two', 'T000'), ('to', 'T000')]]

编辑2：

T000
T000

['D263', 'D263', 'F630', 'F630', 'T000', 'T000']

T000
T000

[['D263', 'D263'], ['F630', 'F630'], ['T000', 'T000']]

[[('dessert', 'D263'), ('desert', 'D263')], [('fourth', 'F630'), ('forth', 'F630')], [('two', 'T000'), ('to', 'T000')]]

如果要将它们分组，可以使用groupby：

from itertools import groupby

def getSoundexList(dList):
    return sorted([soundex(x) for x in dList])

dataList = ['two','fourth','forth','dessert','to','desert']    
print([list(g) for _, g in groupby(getSoundexList(dataList), lambda x: x)])

输出：

T000
T000

['D263', 'D263', 'F630', 'F630', 'T000', 'T000']

T000
T000

[['D263', 'D263'], ['F630', 'F630'], ['T000', 'T000']]

[[('dessert', 'D263'), ('desert', 'D263')], [('fourth', 'F630'), ('forth', 'F630')], [('two', 'T000'), ('to', 'T000')]]

编辑3：

T000
T000

['D263', 'D263', 'F630', 'F630', 'T000', 'T000']

T000
T000

[['D263', 'D263'], ['F630', 'F630'], ['T000', 'T000']]

[[('dessert', 'D263'), ('desert', 'D263')], [('fourth', 'F630'), ('forth', 'F630')], [('two', 'T000'), ('to', 'T000')]]

这是给@Eric Duminil的，假设您想要

名称和它们各自的
val
：

使用
dict
以及：

输出：

T000
T000

['D263', 'D263', 'F630', 'F630', 'T000', 'T000']

T000
T000

[['D263', 'D263'], ['F630', 'F630'], ['T000', 'T000']]

[[('dessert', 'D263'), ('desert', 'D263')], [('fourth', 'F630'), ('forth', 'F630')], [('two', 'T000'), ('to', 'T000')]]

编辑4（用于OP）：

Soundex:

Soundex是一种系统，在这种系统中，值被分配给名称
发音相似的名称获得相同值的方式。这些价值观
被称为soundex编码。基于soundex的搜索应用
不会直接搜索名称，而是搜索
soundex编码。通过这样做，它将获得所有发出声音的名称
就像我们在寻找的名字

这里是另一个与上述类似的案例，并从这个答案中得到启发：也许很有趣：）