'難'確定python中的2個字符串之間的相似度

Question

我有2個字符串loss of gene和aquaporin protein。在一行中，我想查找這兩個字是否存在於我的文件的一行中，並且在5個字的範圍內。 任何想法？我已經廣泛搜索，但找不到任何東西。 另外，由於這些是多字字符串，所以我不能在這兩個字符中使用abs（array.index）（這對於單個字是可能的）。

感謝

Answer 1

你可以試試下面的辦法：

1. 首先通過將其轉換爲小寫，只保留人物和執行每個字之間有一個空格淨化你的文字。

2. 接下來，搜索結果文本中的每個短語，並記錄起始索引和匹配短語的長度。排序這個索引列表。

3. 接下來，通過確保所有找到的索引不是-1，確保所有短語都出現在文本中。

4. 如果找到全部數字，則計數第一個短語結尾與最後一個短語開始之間的詞數。要做到這一點，從第一個詞組的末尾開始到第二個詞組的開始，並將其分成單詞。

腳本如下：

import re 

text = "The Aquaporin protein, sometimes 'may' exhibit a big LOSS of gene." 
text = ' '.join(re.findall(r'\b(\w+)\b', text.lower())) 

indexes = sorted((text.find(x), len(x)) for x in ['loss of gene', 'aquaporin protein']) 

if all(i[0] != -1 for i in indexes) and len(text[indexes[0][0] + indexes[0][1] : indexes[-1][0]].split()) <= 5: 
    print "matched" 

要延長這與短語的列表的文件工作，下列方法可用於：

import re 

log = 'loss of gene' 
phrases = ['aquaporin protein', 'another protein'] 

with open('input.txt') as f_input: 
    for number, line in enumerate(f_input, start=1): 
     # Sanitise the line 
     text = ' '.join(re.findall(r'\b(\w+)\b', line.lower())) 

     # Only process lines containing 'loss of gene' 
     log_index = text.find(log) 

     if log_index != -1: 
      for phrase in phrases: 
       phrase_index = text.find(phrase) 

       if phrase_index != -1: 
        if log_index < phrase_index: 
         start, end = (log_index + len(log), phrase_index) 
        else: 
         start, end = (phrase_index + len(phrase), log_index) 

        if len(text[start:end].split()) <= 5: 
         print "line {} matched - {}".format(number, phrase) 
         break 

這將使你以下種類的輸出：

line 1 matched - aquaporin protein 
line 5 matched - another protein 

請注意，這隻會在每行中找到一個詞組對。

Answer 2

我不能完全肯定，如果這是你想要的，但我給它一個鏡頭！

在Python中，您可以使用「in」來檢查字符串是否在另一個字符串中。我會假設你已經有一個方法來存儲一條直線從一個文件：

"loss of gene" in fileLine -> returns boolean (either True or False) 

有了這個，你可以檢查是否「基因的損失」和「水通道蛋白」在你行從您的文件。一旦你已經證實，他們都在那裏，你可以通過拆分文本的行成一個列表，所以檢查他們的接近：

wordsList = fileLine.split() 

如果您的文本文件，你有串：

「水通道蛋白中有時會出現基因」

喪失其拆分後變爲：

["The","aquaporin","protein","sometimes","may","exhibit","a","loss","of","gene"] 

我不知道，如果這是一個有效的判決，但對於例如起見，讓我們忽略它：P

一旦你有文本拆分的行成一個單詞列表，並確認了的話是在那裏，你可以使用Python中的列表附帶的索引函數獲得它們的接近度！

wordsList.index("protein") -> returns index 2 

找到什麼指數「蛋白質」是你可以查閱一下指數「損失」是，然後減去他們發現，如果他們是一個5字接近中後。

您可以使用索引函數來辨別「水通道蛋白」之前或之後是否有「基因缺失」。如果「基因缺失」首先來源於「基因」和「水通道蛋白」，然後減去這些指標。如果「水通道蛋白」首先出現，則索引「蛋白質」和「損失」並減去這些指標。

如果單詞出現不同的順序，您將不得不做更多的工作來確保正確地減去索引，但這應該涵蓋問題的癥結所在。祝你好運Chahat！