web-dev-qa-db-ja.com

文字列と許容値の比較

文字列を文字列の配列と比較する方法を探しています。もちろん、正確な検索を行うのは非常に簡単ですが、プログラムでスペルミスや文字列の欠落などを許容してほしいです。

そのような検索を実行できるフレームワークはありますか？検索アルゴリズムは、一致の割合またはこのようなものでいくつかの結果の順序を返すことを心に留めています。

c#.netstring-comparisonsimilarity
57
Oliver Hanappi

レーベンシュタイン距離アルゴリズム を使用できます。

」2つの文字列間のレーベンシュタイン距離は、1つの文字列を挿入、削除、または置換することが可能な編集操作で、1つの文字列を他の文字列に変換するために必要な編集の最小数として定義されます。 "-Wikipedia.com

これは dotnetperls.com からのものです：

using System;

/// <summary>
/// Contains approximate string matching
/// </summary>
static class LevenshteinDistance
{
    /// <summary>
    /// Compute the distance between two strings.
    /// </summary>
    public static int Compute(string s, string t)
    {
        int n = s.Length;
        int m = t.Length;
        int[,] d = new int[n + 1, m + 1];

        // Step 1
        if (n == 0)
        {
            return m;
        }

        if (m == 0)
        {
            return n;
        }

        // Step 2
        for (int i = 0; i <= n; d[i, 0] = i++)
        {
        }

        for (int j = 0; j <= m; d[0, j] = j++)
        {
        }

        // Step 3
        for (int i = 1; i <= n; i++)
        {
            //Step 4
            for (int j = 1; j <= m; j++)
            {
                // Step 5
                int cost = (t[j - 1] == s[i - 1]) ? 0 : 1;

                // Step 6
                d[i, j] = Math.Min(
                    Math.Min(d[i - 1, j] + 1, d[i, j - 1] + 1),
                    d[i - 1, j - 1] + cost);
            }
        }
        // Step 7
        return d[n, m];
    }
}

class Program
{
    static void Main()
    {
        Console.WriteLine(LevenshteinDistance.Compute("aunt", "ant"));
        Console.WriteLine(LevenshteinDistance.Compute("Sam", "Samantha"));
        Console.WriteLine(LevenshteinDistance.Compute("flomax", "volmax"));
    }
}

実際には Damerau-Levenshtein distance algorithm を使用することを好むかもしれません。これは文字の転置も許可します。これはデータ入力でよくある人為的エラーです。それのC＃実装があります こちら 。

65
RedFilter

.NETフレームワークには、このすぐに使用できるものはありません。

最も一般的なつづりの間違いは、文字が単語のまともな音声表現であるが、Wordの正しいつづりではないものです。

たとえば、単語swordとsord（はい、それは単語です）は同じ発音ルートを持っていると主張できます（発音時に同じ音になります）。

そうは言っても、単語（スペルミスの単語を含む）を音声の変形に変換するために使用できるアルゴリズムがいくつかあります。

最初は Soundex です。実装は非常に簡単で、かなり多くの このアルゴリズムの.NET実装 があります。かなり単純ですが、互いに比較できる実際の値を提供します。

もう1つは Metaphone です。 Metaphoneのネイティブ.NET実装は見つかりませんが、提供されているリンクには、変換可能な他の多くの実装へのリンクがあります。変換が最も簡単なのは、おそらく MetaphoneアルゴリズムのJava実装 です。

Metaphoneアルゴリズムは改訂されていることに注意してください。 Double Metaphone （ 。NET実装 ）と Metaphone があります。 Metaphone 3は商用アプリケーションですが、一般的な英単語のデータベースに対して実行した場合、Double Metaphoneアルゴリズムの89％の精度と比較して98％の精度があります。必要に応じて、アルゴリズムのソースを検索（Double Metaphoneの場合）または購入（Metaphone 3の場合）し、P/Invokeレイヤーを介して変換またはアクセスすることができます（C++実装があります）たくさん）。

MetaphoneとSoundexは、Soundexが固定長の数値キーを生成するという意味で異なりますが、Metaphoneは異なる長さのキーを生成するため、結果は異なります。最終的には、両方が同じ種類の比較を行います。要件とリソース（およびスペルミスの不耐性レベル）を考えると、ニーズに最も合ったものを見つける必要があります。

20
casperOne

以下は、同じ結果を生成しながら、はるかに少ないメモリを使用するLevenshteinDistanceメソッドの実装です。これは、「2つのマトリックス行での反復」見出しの下にあるこの wikipediaの記事 にある疑似コードのC＃適応です。

public static int LevenshteinDistance(string source, string target)
{
    // degenerate cases
    if (source == target) return 0;
    if (source.Length == 0) return target.Length;
    if (target.Length == 0) return source.Length;

    // create two work vectors of integer distances
    int[] v0 = new int[target.Length + 1];
    int[] v1 = new int[target.Length + 1];

    // initialize v0 (the previous row of distances)
    // this row is A[0][i]: edit distance for an empty s
    // the distance is just the number of characters to delete from t
    for (int i = 0; i < v0.Length; i++)
        v0[i] = i;

    for (int i = 0; i < source.Length; i++)
    {
        // calculate v1 (current row distances) from the previous row v0

        // first element of v1 is A[i+1][0]
        //   edit distance is delete (i+1) chars from s to match empty t
        v1[0] = i + 1;

        // use formula to fill in the rest of the row
        for (int j = 0; j < target.Length; j++)
        {
            var cost = (source[i] == target[j]) ? 0 : 1;
            v1[j + 1] = Math.Min(v1[j] + 1, Math.Min(v0[j + 1] + 1, v0[j] + cost));
        }

        // copy v1 (current row) to v0 (previous row) for next iteration
        for (int j = 0; j < v0.Length; j++)
            v0[j] = v1[j];
    }

    return v1[target.Length];
}

ここに、パーセンテージの類似性を与える関数があります。

/// <summary>
/// Calculate percentage similarity of two strings
/// <param name="source">Source String to Compare with</param>
/// <param name="target">Targeted String to Compare</param>
/// <returns>Return Similarity between two strings from 0 to 1.0</returns>
/// </summary>
public static double CalculateSimilarity(string source, string target)
{
    if ((source == null) || (target == null)) return 0.0;
    if ((source.Length == 0) || (target.Length == 0)) return 0.0;
    if (source == target) return 1.0;

    int stepsToSame = LevenshteinDistance(source, target);
    return (1.0 - ((double)stepsToSame / (double)Math.Max(source.Length, target.Length)));
}
5
Ben Gripka

他のオプションは、SoundexまたはMetaphoneを使用して音声学的に比較することです。両方のアルゴリズムのC＃コードを紹介する記事を完成しました。 http://www.blackbeltcoder.com/Articles/algorithms/phonetic-string-comparison-with-soundex で表示できます。

4
Jonathan Wood

文字列間の レーベンシュタイン距離 を計算する2つの方法を次に示します。

2つの文字列間のレーベンシュタイン距離は、1つの文字列を挿入、削除、または置換することが可能な編集操作で、1つの文字列を他の文字列に変換するために必要な編集の最小数として定義されます。

結果が得られたら、一致のしきい値として使用する値または使用しない値を定義する必要があります。多数のサンプルデータに対して関数を実行し、特定のしきい値を決定するためにどのように機能するかを理解します。

    /// <summary>
    /// Calculates the Levenshtein distance between two strings--the number of changes that need to be made for the first string to become the second.
    /// </summary>
    /// <param name="first">The first string, used as a source.</param>
    /// <param name="second">The second string, used as a target.</param>
    /// <returns>The number of changes that need to be made to convert the first string to the second.</returns>
    /// <remarks>
    /// From http://www.merriampark.com/ldcsharp.htm
    /// </remarks>
    public static int LevenshteinDistance(string first, string second)
    {
        if (first == null)
        {
            throw new ArgumentNullException("first");
        }
        if (second == null)
        {
            throw new ArgumentNullException("second");
        }

        int n = first.Length;
        int m = second.Length;
        var d = new int[n + 1, m + 1]; // matrix

        if (n == 0) return m;
        if (m == 0) return n;

        for (int i = 0; i <= n; d[i, 0] = i++)
        {
        }

        for (int j = 0; j <= m; d[0, j] = j++)
        {
        }

        for (int i = 1; i <= n; i++)
        {

            for (int j = 1; j <= m; j++)
            {
                int cost = (second.Substring(j - 1, 1) == first.Substring(i - 1, 1) ? 0 : 1); // cost
                d[i, j] = Math.Min(
                    Math.Min(
                        d[i - 1, j] + 1,
                        d[i, j - 1] + 1),
                    d[i - 1, j - 1] + cost);
            }
        }

        return d[n, m];
    }
3
Samuel Neff

Soundexおよびlevenshtein distanceアルゴリズムの実装は、オープンソース CommonLibrary.NETプロジェクト にあります。

2
Elijah