Python“；在；不同字长字符串的比较

我正在通过一个可能有重复条目的姓名数据库进行工作，并试图确定我们有两个条目，不幸的是，格式有点不理想，一些条目的名字、中间名、姓氏或娘家姓被混成一个字符串，而有些条目只有名字和姓氏

我需要一种方法，看看“约翰·马弗利”和“约翰·迈克尔·马弗利”是否匹配，并能对这些匹配进行手术。但是，如果您尝试：

>>> 'John Marvulli' in 'John Michael Marvulli'
False

---

它返回False。是否有一种简单的方法可以通过这种方式比较两个字符串，以查看一个名称是否包含在另一个名称中？

您需要拆分字符串并查找单个单词：

>>> all(x in 'John Michael Marvulli'.split() for x in 'John Marvulli'.split())
True

---

我最近发现了

difflib

模块的强大功能。
我想这会让你觉得：

import difflib

datab = ['Pnk Flooyd', 'John Marvulli',
         'Ld Zeppelin', 'John Michael Marvulli',
         'Led Zepelin', 'Beetles', 'Pink Fl',
         'Beatlez', 'Beatles', 'Poonk LLoyds',
         'Pook Loyds']
print datab
print


li = []
s = difflib.SequenceMatcher()

def yield_ratios(s,iterable):
    for x in iterable:
        s.set_seq1(x)
        yield s.ratio()

for text_item in datab:
    s.set_seq2(text_item)
    for gathered in li:
        if any(r>0.45 for r in yield_ratios(s,gathered)):
            gathered.append(text_item)
            break
    else:
        li.append([text_item])


for el in li:
    print el

结果

['Pnk Flooyd', 'Pink Fl', 'Poonk LLoyds', 'Pook Loyds']
['John Marvulli', 'John Michael Marvulli']
['Ld Zeppelin', 'Led Zepelin']
['Beetles', 'Beatlez', 'Beatles']

---

使用正则表达式（不幸的是，我需要一些时间来找出你需要的确切正则表达式，但正则表达式是你的朋友。快速答案不一定是最好的。你是Stackoverflow新手，你会发现更好的答案通常需要更多的时间发布。阅读“格式有点不理想”，我认为数据库中可能有拼写错误。我的回答检测到

'John Michael Marvulli

和

'John Michael Marvvvulli

的匹配。对

SequenceMatcher

方法计算的比率设置了一个条件

比率（）

使程序能够检测到

约翰·迈克尔·马弗利

和

约翰·迈克尔·马弗利

的匹配，但对

彼得·迈克尔·马弗利

和

约翰·迈克尔·马弗利

没有反应。是的，我正在测试，发现我丢失了一个fewAnd，那么，你的结论是什么？我会选择：

设置（'John Marvulli.split（））.issubset（'John Michael Marvulli.split（））

如果我想做相反的事情，比如说返回所有不在列表中的用户，该怎么办？在谓词前面添加一个

NOT

。或者你也可以使用@Joel Smith@Wooble

all（John Marvulli.split（）中的x代表John Michael Marvulli.split（）中的x）

给出了

False

，尽管它们匹配。然后有必要测试这两个顺序。@eyquem:的确；我回答了OP提出的问题，而不是试图猜测他真正想解决的XY问题。这个问题也不区分大小写吗？我测试了，答案是肯定的。我列出了字符串的比率

JOHN Marvuli'，JOHN MARVULLI'马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’、‘约翰·马弗利’

对抗约翰·马弗利，其人数不断增加

0.0770.1540.2310.3080.3850.4620.5380.6150.6920.769 0.923.000

h对不起，我在英语或逻辑方面有问题：它是区分大小写的，因为SequenceMatcher实例看到了

'JOHN Marvuli'

和

'JOHN Marvuli'

之间的区别-好吧，现在，你解决了你的问题了吗？我的解决方案或其他解决方案给你带来了帮助吗？还有问题吗？我正在努力实现你r解决方案但我已经开始拆开difflib库，看看它是如何工作的。应该很快就会完成。@Joel Smith因为我不是英语国家的人，我去（）学习“拆开”的意思。据说它的意思是“表达对……的完全否定的意见”。那么，你的句子是否矛盾呢？

['Pnk Flooyd', 'Pink Fl', 'Poonk LLoyds', 'Pook Loyds']
['John Marvulli', 'John Michael Marvulli']
['Ld Zeppelin', 'Led Zepelin']
['Beetles', 'Beatlez', 'Beatles']