Python 如果两个单词变体没有'；不能按字母顺序匹配

我正在和我的大学一起做一个NLP项目，收集冰岛语单词的数据，这些单词都拼写为I和y（在冰岛语fyi中发音相同），其中变体都是实际单词，但意思并不相同。这方面的例子包括leyti（时间上的近似值）和leiti（长满草的小山），或者kirkja（教堂）和kyrkja（窒息）。我有一个200万字的数据集。我已经收集了两个单词列表，其中一个包含拼写为y的单词，另一个包含拼写为I的相同单词（尽管它们似乎并不完全匹配，因为y列表稍长，但这是一个单独的问题）。我的问题是，我想以像leyti-leiti、kyrkja-kirkja等成对的单词结束。但是，由于y在字母表中的位置比我晚得多，所以仅仅对列表进行排序并以这种方式对它们进行配对是不好的。我还试着在检查前几个字母时压缩列表，看看是否能找到匹配的字母，但这会遗漏所有以y或I作为第一个字母的单词。您对我如何实现这一点有什么建议吗？

试试这样的方法：

s = "trydfydfgfay"
l = list(s)
candidateWords = []
for idx, c in enumerate(l):
    if c=='y':
        newList = l.copy()
        newList[idx] = "i"
        candidateWord = "".join(newList)
        candidateWords.append(candidateWord)
print(candidateWords)
#['tridfydfgfay', 'trydfidfgfay', 'trydfydfgfai']
#look up these words to see if they are real words  

---

我不认为这是一个编程挑战，但看起来更像是一个NLP挑战本身。拼写变化通常是预处理过程中遇到的一个障碍

我建议您使用一种基于的方法来识别允许某些变体的词对。特别是对于您上面描述的问题，我建议使用“”。该方法允许在显示特定字符对（例如y和i）之间变化的词对之间给出更高的相似性分数

所有这些方法都在中实现。

---

你也可以看一下。希望这能有所帮助。

所以这就完成了我的任务，我想这是一个简单的解决方案，不是很好的解决方案，但它很有效：

wordlist = open("data.txt", "r", encoding='utf-8')
y_words = open("y_wordlist.txt", "w+", encoding='utf-8')
all_words = []
y_words = []

for word in wordlist:
    word = word.lower()
    all_words.append(word)

for word in all_words:
    if "y" in word:
        y_words.append(word)

word_dict = {}

for word in y_words:
    newwith1y = word.replace("y", "i",1)
    newwith2y = word.replace("y", "i",2)
    newyback = word[::-1].replace("y", "i",1)
    newyback = newyback[::-1]
    word_dict[word] = newwith1y
    word_dict[word] = newwith2y
    word_dict[word] = newyback

for key, value in word_dict.items():
    if value in all_words:
        y_wordlist.write(key)
        y_wordlist.write(" - ")
        y_wordlist.write(value)
        y_wordlist.write("\n")

---

您可以简单地将每个

y

更改为

i

，并创建1对1的匹配。。。它将创建一些不存在的单词，但您也可以保留它们的原始版本。这是我已经做过的，但我想确保所有单词确实存在于我的数据集中。因此，我无论如何都需要检查这些对，看看它们是否与实际单词匹配。但也许这比其他方法更容易实现。非常感谢，我将查看这些链接。太好了！别忘了投票并接受答案：）