python - 如何比较不完全匹配的字符串

Question

我需要比较两个输出字符串，即原始转录和语音转文本服务的转录。数字通常以数字格式或单词形式书写，例如“四”或“4”。如何考虑这些不同的转录方法来比较字符串？

到目前为止，我只是将两个字符串转换为小写字母，并用空格作为分隔符分隔每个单词。

#Read the two files and store them in s1_raw and s2_raw
with open('original.txt', 'r') as f:
    s1_raw = f.read()
with open('comparison.txt', 'r') as f:
    s2_raw = f.read()

#Transform all letters to minuscule letter
s1 = s1_raw.lower()
s2 = s2_raw.lower()

#Split texts with space as seperator to have a list of words
s1_set = s1.split(' ')
s2_set = s2.split(' ')

#Used later for confidence calculation
count1 = len(s1_set)
count2 = 0
x = 0

#Check which string is longer to prevent running out of indices
if len(s1_set) < len(s2_set):
    #Loop through whole list and compare word by word
    for x in range (0, len(s1_set)):
        if s1_set[x] == s2_set[x]:
            count2 += 1
        x += 1
else:
    #Loop through whole list and compare word by word
    for x in range (0, len(s2_set)):
        if s1_set[x] == s2_set[x]:
            count2 += 1
        x += 1

#Confidence level= correct words divided by total words
confidence = count2/count1

#Print out result
print('The confidence level of this service is {:.2f}%'.format(confidence*100))

我想测量多个 *.txt 文件的转录准确性，并考虑不同语音转文本服务转录的所有不同方式。

Answer 1

在比较文本之前，您必须对其进行标准化。首先确定 four 还是 4 是您的规范形式，并将所有字符串转换为该形式。

例如，如果 four 是规范形式，则编写代码将 1 替换为 one、213 与213，依此类推，并与这些进行比较。

实际上，我认为规范化为 4 而不是 4 更好，因为在某些语言中可能有多种表达数字的方法。通过选择4，可以将所有等效转录标准化为一种单一形式。