python - 合并类似的字符串Python

我有两条线

string1 = "apple banna kiwi mango"
string2 = "aple banana mango lemon"

我想要这两个字符串相加的结果（不是连接），也就是说，结果应该是

result = "apple banana kiwi mango lemon"

我现在的方法很简单。
将多行字符串标记化（以上字符串在标记化之后），删除任何噪声（特殊/换行字符/空字符串）
下一步是确定字符串的余弦相似性，如果它高于0.9，那么我将其中一个字符串添加到最终结果中
现在，问题来了。它不包括一个字符串包含一个单词的一半，而另一个字符串包含另一半（在某些情况下是正确的单词）的部分。我还在脚本中添加了this函数。但问题仍然存在。我们非常感谢您对我们的帮助。

def text_to_vector(text):
     words = WORD.findall(text)
     return Counter(words)

def get_cosine(vec1, vec2):
     intersection = set(vec1.keys()) & set(vec2.keys())
     numerator = sum([vec1[x] * vec2[x] for x in intersection])

     sum1 = sum([vec1[x]**2 for x in vec1.keys()])
     sum2 = sum([vec2[x]**2 for x in vec2.keys()])
     denominator = math.sqrt(sum1) * math.sqrt(sum2)

     if not denominator:
        return 0.0
     else:
        return float(numerator) / denominator


def merge_string(string1, string2):
    i = 0
    while not string2.startswith(string1[i:]):
        i += 1

    sFinal = string1[:i] + string2
    return sFinal

for item in c:
for j in d:
    vec1 = text_to_vector(item)
    vec2 = text_to_vector(j)
    r = get_cosine(vec1, vec2)
    if r > 0.5:
        if r > 0.85:
            final.append(item)
            break
        else:
            sFinal = merge_string(item, j)
            #print("1.", len(sFinal), len(item), len(j))
            if len(sFinal) >= len(item) + len(j) -8:
                sFinal = merge_string(j, item)
                final.append(sFinal)
                #print("2.", len(sFinal), len(item), len(j))
                temp.append([item, j])
                break

最佳答案

困难的部分是检查这个单词是否是一个有效的英语单词。
要做到这一点，你要么要有一本字典来对照这个词，要么用
nltk公司。

     pip install nltk

     from nltk.corpus import wordnet

     set([w for w in (string1 + string2).split() if  wordnet.synsets(w)])

     Out[41]: {'apple', 'banana', 'kiwi', 'lemon', 'mango'}

若要捕获数字，请添加isdigit（）。

st1 = 'Includes Og Added Sugars'

st2 = 'Includes 09 Added Sugars 09'


set([w for w in (st1 + st2).split() if  (wordnet.synsets(w) or w.isdigit())])

Out[30]: {'09', 'Added', 'Includes', 'Sugars'}

要捕获缩写，如g，mg add re.match（）。

set([w for w in (st1 + st2).split() if  (wordnet.synsets(w) or w.isdigit() or re.match(r'\d+g|mg',w))])

Out[40]: {'09', '0g', 'Added', 'Includes', 'Sugars'}