我有两个非常长的单词序列。
我需要找到它们不同的地方。例如,如果输入是
1st sequence: A B C D E F G
2nd sequence: A X D Y Z W G
(这里的每个字符代表一个词)
输出应该是:
B C -> X
E F -> Y Z W
我想到的是:我可以为两个序列创建一个索引。最初,两者都指向 A。增加两个索引。现在第一个索引指向 B,第二个指向 X。我现在可以在整个第二个序列中搜索 B。找不到它,我可以在整个第二个序列中搜索 C,然后搜索 D。我会找到一个 D,然后因此可以解决问题。
显然,这种“蛮力”方法很糟糕。
什么是更好的方法?
我正在用 Python 编写我的代码,并使用 NLTK,因此如果可以使用内置的 NLTK 功能部分或完全解决这个问题,那么(实现)会更快。
最佳答案
<a href="http://docs.python.org/dev/library/difflib.html" rel="noreferrer noopener nofollow">difflib</a>.<a href="http://docs.python.org/dev/library/difflib.html#difflib.SequenceMatcher" rel="noreferrer noopener nofollow">SequenceMatcher</a>.<a href="http://docs.python.org/dev/library/difflib.html#difflib.SequenceMatcher.get_opcodes" rel="noreferrer noopener nofollow">get_opcodes</a>
可以做到这一点。
import difflib
def diff(a, b):
for tag, i1, i2, j1, j2 in difflib.SequenceMatcher(a=a, b=b).get_opcodes():
if tag!='equal':
yield a[i1:i2], b[j1:j2]
>>> d = list(diff('A B C D E F G'.split(), 'A X D Y Z W G'.split()))
>>> d
[(['B', 'C'], ['X']), (['E', 'F'], ['Y', 'Z', 'W'])]
>>> '\n'.join('{} -> {}'.format(*(' '.join(i) for i in l)) for l in d)
B C -> X
E F -> Y Z W
旧答案——等效函数:
import difflib
def diff(a, b):
add, remove = [], []
for line in difflib.ndiff(a, b):
d, line = line[0], line[2:]
if d in '+-':
(add if d=='+' else remove).append(line)
elif add or remove:
yield remove, add
add, remove = [], []
if add or remove:
yield remove, add
关于python - 查找两个字符串不同的位置,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/11013196/