字串相近度排序

在 python2, enum34 中 enum 可能會因為 import 路徑而導致比較不對等的問題.

很多時候使用者不一定能預先知道完整而正確的名稱, 或是有大量的選項可以選擇, 像是角色/控制器的置換. 在這樣的情況下依照相似度排列名稱來找出最接近的, 或依相近度排序讓使用者選擇, 可以減少他們操作/搜尋/比對的時間.

Levenshtein distance 就是一種可以運用在這種情況下的演算法

Wikipedia 萊文斯坦距離 : 萊文斯坦距離,又稱Levenshtein距離,是編輯距離的一種。指兩個字串之間,由一個轉成另一個所需的最少編輯操作次數。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
from pylev import levenshtein
src = "kitty"
characters = ["kitty_b_body","karen_a_body","paul_b_body","kitty_a_body"]
dist_list = [levenshtein(src, char) for char in characters]
closest = [x for (_, x) in sorted(zip(dist_list,characters))]

print(closest[0])
# kitty_a

# 一般來說會拿來做比較的 asset, control, specific nodes 等等
# 都有制式化的命名, 而且會先 filter 出同類型的 entities 再做排序
# 如果不是的話排序結果可能會和預期的不同 e.g.

src = "kitty"
characters = ["kitty_var_a","karen","jonathan","kitty_var_b"]
dist_list = [levenshtein(src, char) for char in characters]
closest = [x for (_, x) in sorted(zip(dist_list,characters))]

print(closest)
# ["karen", "kitty_var_a", "kitty_var_b", "jonathan"]

# 上面這個例子中 karen 反而因為需求編輯次數最少而成為最接近 kitty 的字串
# 如果想做的是找出類似來源的字串, 且公司的命名規則是將 asset 的 unique
# name 排在首位, 可以單純比對和 src 同等長度的部分

src = "kitty"
src_len = len(src)
characters = ["kitty_var_a", "karen", "jonathan", "kitty_var_b"]
dist_list = [
    levenshtein(
        src, char[:
                  src_len
                  if src_len < len(char)
                  else len(char)
             ]
    )
    for char in characters
]
closest = [x for (_, x) in sorted(zip(dist_list, characters))]

print(closest)
# ["kitty_var_a", "kitty_var_b", "karen", "jonathan"]