大多数commonly misspelled English words在其正确形式的两个或三个印刷错误（替换s，插入i或字母删除d的组合）内 . 即单词对 absence - absense 中的错误可以概括为具有1s，0i和0d .
可以模糊匹配使用to-replace-re regex python module查找单词及其拼写错误 .
下表总结了从一些句子中对一个感兴趣的词进行模糊分段的尝试：
-
Regex1在
sentence中找到最佳word匹配，最多允许2个错误 -
Regex2在
sentence中找到最佳word匹配，在尝试仅操作（我认为）整个单词时最多允许2个错误 -
Regex3在
sentence中找到最佳word匹配，允许最多2个错误，同时仅在（我认为）整个单词上操作 . 我错了 . -
Regex4在
sentence中找到最佳word匹配，允许最多2个错误，而我（我认为）寻找匹配结束为单词边界
我如何编写一个正则表达式，如果可能的话，在这些单词 - 句子对上消除假阳性和假阴性模糊匹配？
一种可能的解决方案是仅将句子中的单词（由空格包围的字符串或行的开头/结尾）与感兴趣的单词（主要单词）进行比较 . 如果主要单词和句子中的单词之间存在模糊匹配（e <= 2），则从句子中返回该完整单词（并且仅返回该单词） .
代码
将以下数据帧复制到剪贴板：
word sentence
0 cub cadet cub cadet 42
1 plastex vinyl panels
2 spt heat and air conditioner
3 closetmaid closetmaid
4 ryobi batteries kyobi
5 ryobi 10' table saw ryobi
6 trafficmaster traffic mast5er
现在用
import pandas as pd, regex
df=pd.read_clipboard(sep='\s\s+')
test=df
test['(?b)(?:WORD){e<=2}']=df.apply(lambda x: regex.findall(r'(?b)(?:'+x['word']+'){e<=2}', x['sentence']),axis=1)
test['(?b)(?:\wWORD\W){e<=2}']=df.apply(lambda x: regex.findall(r'(?b)(?:\w'+x['word']+'\W){e<=2}', x['sentence']),axis=1)
test['(?V1)(?b)(?:\w&&WORD){e<=2}']=df.apply(lambda x: regex.findall(r'(?V1)(?b)(?:\w&&'+x['word']+'){e<=2}', x['sentence']),axis=1)
test['(?V1)(?b)(?:WORD&&\W){e<=2}']=df.apply(lambda x: regex.findall(r'(?V1)(?b)(?:'+x['word']+'&&\W){e<=2}', x['sentence']),axis=1)
将表加载到您的环境中 .
1 回答
做
'(?b)\m(?:WORD){e<=2}\M'