Python中如何提取两个字符串列表的部分匹配公共元素

问题描述 #

有两个姓名列表，需要筛选出第一个列表中在第二个列表里存在部分匹配的姓名（支持姓名顺序颠倒、中间加中间名/缩写/额外姓氏的情况）：

list1 = {'ADELA SARABIA', 'JUAN PEREZ', 'JOHN ADAMS', 'TOM HANKS'}
list2 = {'JOSE GARCIA', 'HANKS TOM', 'PEREZ LOPEZ JUAN', 'JOHN P. ADAMS'}

期望输出：

matches = {'JUAN PEREZ', 'JOHN ADAMS', 'TOM HANKS'}

你之前使用的代码无法覆盖所有场景，因为它仅检查姓名前缀或前两个词的完整匹配，没法处理姓名顺序颠倒、缩写这类情况。

解决方案 #

以下代码通过对比姓名拆分后的单词集合，同时处理缩写匹配，完美覆盖你的需求：

def normalize_name(name):
    # 统一格式：转大写、去掉缩写点号、拆分单词为集合（忽略顺序）
    words = [word.replace('.', '') for word in name.upper().split()]
    return set(words)

list1 = {'ADELA SARABIA', 'JUAN PEREZ', 'JOHN ADAMS', 'TOM HANKS'}
list2 = {'JOSE GARCIA', 'HANKS TOM', 'PEREZ LOPEZ JUAN', 'JOHN P. ADAMS'}

matches = set()

for name1 in list1:
    name1_words = normalize_name(name1)
    # 遍历list2查找匹配项
    for name2 in list2:
        name2_words = normalize_name(name2)
        # 只要原姓名的所有单词都在目标姓名中出现（不管顺序、中间加词），就算匹配
        if name1_words.issubset(name2_words):
            matches.add(name1)
            break  # 找到匹配后停止检查当前姓名的其他项

print(matches)

代码说明 #

1. normalize_name函数：统一姓名格式，消除大小写、缩写点号的影响，同时将姓名拆分为单词集合，这样可以完全忽略姓名的排列顺序。
2. 匹配逻辑：使用集合的issubset方法，判断原姓名的所有单词是否都在目标姓名的单词集合中——只要满足这个条件，不管中间加了多少额外词、顺序怎么颠倒，都判定为匹配。

运行这段代码后，输出完全符合你的预期：{'JUAN PEREZ', 'JOHN ADAMS', 'TOM HANKS'}

原代码的问题 #

你之前的代码存在这些明显缺陷：

• 仅检查姓名的第一个单词或前两个词的完整组合，无法处理TOM HANKS和HANKS TOM这种顺序颠倒的情况。
• 没有处理缩写格式（比如JOHN ADAMS和JOHN P. ADAMS的匹配场景）。
• 逻辑冗余，还会自动添加- not found后缀，不符合你只保留匹配项的需求。

内容的提问来源于stack exchange，提问作者Daniela saba rosner