自动更正python中列表中的单词

Question

我想自动纠正我的list中的单词。

说我有一个清单

kw = ['tiger','lion','elephant','black cat','dog']

我想检查这句话是否出现在我的句子中。如果拼写错误，我想纠正它们。我不打算触摸除给定列表之外的其他单词。

现在我有str的列表

s = ["I saw a tyger","There are 2 lyons","I mispelled Kat","bulldogs"]

预期产量：

['tiger','lion',None,'dog']

我的努力：

import difflib

op = [difflib.get_close_matches(i,kw,cutoff=0.5) for i in s]
print(op)

我的输出：

[[], [], [], ['dog']]

上面代码的问题是我要比较整个句子，我的kw列表可以有超过1个单词（最多4-5个单词）。

如果我降低cutoff值，它会开始返回不应该的单词。

因此，即使我计划创建双字母组合，来自给定句子的三元组也会耗费大量时间。

有没有办法实现这个？

我已经探索了更多的图书馆，如autocorrect，hunspell等，但没有成功。

Answer 1

你可以实现基于levenshtein distance的东西。

注意elasticsearch的实现是有趣的：https://www.elastic.co/guide/en/elasticsearch/guide/master/fuzziness.html

显然，比伯离海狸还有很长的路要走 - 他们相距太远而不能被视为简单的拼写错误。 Damerau观察到80％的人类拼写错误的编辑距离为1.换句话说，80％的拼写错误可以通过对原始字符串进行一次编辑来纠正。

Elasticsearch支持使用模糊参数指定的最大编辑距离2。

当然，单个编辑对字符串的影响取决于字符串的长度。单词hat的两个编辑可以产生疯狂，因此允许对长度为3的字符串进行两次编辑是过度的。模糊参数可以设置为AUTO，这会产生以下最大编辑距离：

0表示一个或两个字符的字符串

1表示三个，四个或五个字符的字符串

2表示超过五个字符的字符串

我喜欢自己使用pyxDamerauLevenshtein。

pip install pyxDamerauLevenshtein

所以你可以做一个简单的实现，如：

keywords = ['tiger','lion','elephant','black cat','dog']    

from pyxdameraulevenshtein import damerau_levenshtein_distance


def correct_sentence(sentence):
    new_sentence = []
    for word in sentence.split():
        budget = 2
        n = len(word)
        if n < 3:
            budget = 0
        elif 3 <= n < 6:
            budget = 1            
        if budget:            
            for keyword in keywords:        
                if damerau_levenshtein_distance(word, keyword) <= budget:
                    new_sentence.append(keyword)
                    break
            else:
                new_sentence.append(word)
        else:
            new_sentence.append(word)        
    return " ".join(new_sentence)

只要确保你使用一个更好的标记器，否则这将变得混乱，但你明白了。另请注意，这是未经优化的，并且对于很多关键字来说会非常慢。您应该实现某种类型的分组，以使所有关键字都不匹配。

Answer 2

这是使用difflib.SequenceMatcher的一种方式。 SequenceMatcher类允许您使用ratio方法测量句子相似度，您只需要提供一个合适的阈值，以保持比率高于给定阈值的单词：

def find_similar_word(s, kw, thr=0.5):
    from difflib import SequenceMatcher
    out = []
    for i in s:
        f = False
        for j in i.split():
            for k in kw:
                if SequenceMatcher(a=j, b=k).ratio() > thr:
                    out.append(k)
                    f = True
                if f:
                    break
            if f:
                break
        else:
            out.append(None)    
    return out

产量

find_similar_word(s, kw)
['tiger', 'lion', None, 'dog'] 

Answer 3

虽然这与您的预期输出略有不同（它是列表而不是字符串列表）但我认为这是向正确方向迈出的一步。我选择这种方法的原因是你可以对每个句子进行多次修正。这就是我添加另一个例句的原因。

import difflib
import itertools

kw = ['tiger','lion','elephant','black cat','dog']
s = ["I saw a tyger","There are 2 lyons","I mispelled Kat","bulldogs", "A tyger is different from a doog"]

op = [[difflib.get_close_matches(j,kw,cutoff=0.5) for j in i.split()] for i in s]
op = [list(itertools.chain(*o)) for o in op]

print(op)

生成的输出是：

[['tiger'], ['lion'], [], ['dog'], ['tiger', 'dog']]

诀窍是将所有句子沿着空格分开。