Python 查找大量字符串的正则表达式模式

Question

不确定这是用于元还是堆栈，但我有一个非常大的字符串列表，并且希望找到它们之间的相似性，以便我可以提取最相似的组并将它们重写为正则表达式以节省空间。

现在我正在查看列表并慢慢地手动筛选。

Python 中是否有一个函数可以执行此操作，我可以在其中输入一个列表，然后根据相似性对字符串进行分组？我有 scikits-learn，但如果已经有一个程序，我不想制作自己的程序。

NLTK 中有相关功能吗？

例如，对于打乱列表，我可以获得类似的返回或组织好的数据集

Cat
hat
bat
rat

snail
mail
fail
pail

rhino
dino

Milhouse

我会在哪里为它们编写正则表达式

patterns = ['^(c|h|b|r)at$', '^(sn|m|f|p)ail$', '^(rh|d)ino$', 'Milhouse']

Answer 1

我不知道 NLTK 是否有这个，但这听起来像是 Burkhard-Keller 树的用途。我认为它们不在标准库中，但至少有一种可用的 Python 实现。

如果你想坚持使用标准库，你可以尝试 difflib.get_close_matches()，但它可能会慢一些。