如何使用自定义比较器实现集合的交集运算？

嘿，这个问题我之前也碰到过——Python的原生集合操作确实没提供直接用自定义比较器的途径，不过咱们可以自己动手实现这个逻辑，几步就能搞定：

第一步：先实现最长公共子序列（LCS）的长度计算函数 #

你的match函数里用到了lcs但没给出具体实现，咱们先补上这个基础：

def lcs_length(s1, s2):
    # 用动态规划高效计算LCS长度
    m, n = len(s1), len(s2)
    # 创建DP表，初始化全0
    dp = [[0] * (n + 1) for _ in range(m + 1)]
    
    for i in range(1, m + 1):
        for j in range(1, n + 1):
            if s1[i-1] == s2[j-1]:
                dp[i][j] = dp[i-1][j-1] + 1
            else:
                dp[i][j] = max(dp[i-1][j], dp[i][j-1])
    return dp[m][n]

第二步：实现自定义匹配逻辑 #

修正你代码里的参数笔误后，匹配函数可以写成这样：

def match(string_a, string_b, threshold=0.8):
    lcs_len = lcs_length(string_a, string_b)
    max_len = max(len(string_a), len(string_b))
    # 这里用>=还是>看你的实际需求，原代码是>，我改成>=更符合常规阈值逻辑
    return (lcs_len / max_len) >= threshold

第三步：计算自定义交集 #

因为原生集合操作依赖元素的__eq__和哈希值，没法直接用自定义规则，所以咱们手动遍历两个集合的元素对，找出符合匹配规则的元素：

def custom_intersection(set_a, set_b, threshold=0.8):
    result = set()
    # 遍历set_a的每个元素，检查是否在set_b中有匹配项
    for elem_a in set_a:
        for elem_b in set_b:
            if match(elem_a, elem_b, threshold):
                result.add(elem_a)
                break  # 找到一个匹配就停止当前元素的遍历，提升效率
    
    # 如果你需要把set_b中匹配set_a的元素也加入结果（不过因为LCS是对称的，match(a,b)和match(b,a)结果一致，上面的逻辑已经覆盖了）
    # 要是有特殊需求，可以再遍历一遍set_b：
    # for elem_b in set_b:
    #     for elem_a in set_a:
    #         if match(elem_b, elem_a, threshold):
    #             result.add(elem_b)
    #             break
    return result

测试你的示例 #

用你给出的集合测试一下：

set_a = {'abcd', 'efgh', 'ghij'}
set_b = {'abce', 'efgk', 'ghij'}

print(custom_intersection(set_a, set_b))
# 输出结果：{'ghij'}

解释一下：

• ghij和ghij的LCS长度是4，占最长字符串长度的100%，符合阈值；
• abcd和abce的LCS长度是3，占最长长度的75%，低于80%，不匹配；
• efgh和efgk同理，LCS占比75%，不匹配。

如果你的集合很大，双重循环效率不够，可以考虑预处理元素的特征（比如n-gram）来减少匹配次数，但对于大多数场景，上面的方法已经足够好用啦。

内容的提问来源于stack exchange，提问作者pmdaly