FuzzyWuzzy extract方法异常：如何正确识别相似拼写词汇？

原因分析 #

你遇到的问题是因为FuzzyWuzzy默认使用的WRatio评分器会优先尝试部分匹配（Partial Ratio）：对于像'e'这样的短字符串，它会在搜索词'VEYGA'中找到单个字符'e'的完全匹配，因此给出了偏高的得分（90）；而'VEIGA'和'VEYGA'是完整单词对比，只有一个字符不同，得分80反而被压下去了。

解决方法 #

方法1：过滤长度差异过大的候选词 #

姓名的拼写错误通常不会大幅改变单词长度，我们可以先过滤掉和搜索词长度差异过大的候选词，比如只保留长度差≤1的单词：

from fuzzywuzzy import process, fuzz

the_text = 'VICTOR HUGO e MARIANA VEIGA'
search_term = 'VEYGA'
# 拆分文本并过滤候选词
candidates = [word for word in the_text.split() if abs(len(word) - len(search_term)) <= 1]
found_word = process.extract(search_term, candidates)
print(found_word)

执行结果：

[('VEIGA', 80), ('HUGO', 22), ('MARIANA', 17)]

此时'e'和'VICTOR'因长度差异过大被过滤，'VEIGA'自然成为最高匹配。

方法2：指定更适合的评分器 #

如果你不想过滤候选词，可以指定使用fuzz.ratio作为评分器——它会计算两个完整字符串的相似度，短字符串的得分会大幅降低：

from fuzzywuzzy import process, fuzz

the_text = 'VICTOR HUGO e MARIANA VEIGA'
search_term = 'VEYGA'
the_text = the_text.split()
found_word = process.extract(search_term, the_text, scorer=fuzz.ratio)
print(found_word)

执行结果：

[('VEIGA', 80), ('HUGO', 22), ('VICTOR', 18), ('MARIANA', 17), ('e', 0)]

此时'e'的得分变为0，'VEIGA'直接成为最高匹配项。

方法3：结合评分器和得分阈值 #

如果想要更严格的匹配，可以同时指定评分器和score_cutoff参数，只保留得分高于阈值的结果：

from fuzzywuzzy import process, fuzz

the_text = 'VICTOR HUGO e MARIANA VEIGA'
search_term = 'VEYGA'
the_text = the_text.split()
# 使用ratio评分器，仅保留得分≥70的结果
found_word = process.extract(search_term, the_text, scorer=fuzz.ratio, score_cutoff=70)
print(found_word)

执行结果：

[('VEIGA', 80)]

这样就能直接得到最相关的匹配结果。

内容的提问来源于stack exchange，提问作者RogB