Python 比较列表中的单词而不是字母-从SequenceMatcher包获得意外输出

我正在从事一个项目，该项目从我存储在2个文本文件（

nyt.text

和

wapo.text

）中的报纸网站上获取标题，并将它们相互比较，如果Python内置的

SequenceMatcher

确定字符串相似，将它们连同它们的相似性评级一起打印给我：

from difflib import SequenceMatcher

f = open('nyt.text','r+')
w = open('wapo.text','r+')

def similar(a, b):
return SequenceMatcher(None, a, b).ratio()


def compare(self):
    wapo = []
    times = []
    for line in w.readlines():
        wapo.append(line)
    for i in f.readlines():
        times.append(i)
    print(wapo[0],times[0])
    for i in wapo:
        for s in times:
            print(similar(i,s))
            if similar(i,s) > 0.35:
                print(i,s)
    return

compare()

我得到的结果如下所示：

    Attorney for San Bernardino gunman's family floats hoax theory
 Op-Ed Contributor: A Battle in San Bernardino

San Bernardino attacker pledged allegiance to Islamic State leader, officials say
 Sunday Routine: How Jamie Hodari, Workplace Entrepreneur, Spends His Sundays

Why some police departments let anyone listen to their scanner conversations - even criminals
 White House Seeks Path to Executive Action on Gun Sales

Why the Pentagon opening all combat roles to women could subject them to a military draft
 Scientists Seek Moratorium on Edits to Human Genome That Could Be Inherited

Destroying the Death Star was a huge mistake
 Mark Zuckerberg Defends Structure of His Philanthropic Outfit

---

正如你所看到的，尽管SequenceMatcher将它们的相似性评级为.35，但它们除了第一个之外并没有太大的相似性。我有一种暗示，这是因为SequenceMatcher通过字母而不是单词来判断相似性。有人知道如何标记标题中的单词，以便SequenceMatcher将它们作为整个单词而不是单个字母来阅读吗？

你的直觉很可能是正确的。您看到的匹配是基于不间断的匹配字母字符串，这通常是一个非常糟糕的标题相似性度量

这样做是因为你传递的序列是一个字符串，或者在计算机看来，是一个很长的字母列表

如果您想根据单词进行判断，我建议使用

.split（）

函数拆分文本，该函数只会根据空格进行拆分

您可以而且可能应该做很多清理工作，例如，将所有内容都设置为小写（'.lower（）'），以及潜在地获得合理的匹配。也就是说，所有这些部分都在别处有很好的文档记录，对于您的特定用例可能没有意义

---

您也可以在

sklearn

中查看其他标记化程序，但它们不太可能在这里产生巨大的影响。

在传递文本之前，先调用.split（）。非常感谢您提供的有用建议！