Python 之 fuzzywuzzy 进行字符串模糊匹配
fuzzywuzzy 是 Python中 基于 Levenshtein 距离算法的字符串模糊匹配库，提供 fuzz.ratio 、 partial_ratio 、 token_sort_ratio 等核心函数，用于高效计算字符串相似度。该库广泛应用于数据清洗、拼写纠错、文本挖掘和用户输入处理等场景。比如识别相同新闻（有些新闻可能会在不同平台进行发布，标题和内容基本上没太大差异，这种的需要识别出来，避免重复处理）。
依赖安装
pip install fuzzywuzzy python-Levenshtein依赖安装可以使用清华的 pip 镜像源，不然会很慢，而且很可能导致安装失败：
pip install fuzzywuzzy python-Levenshtein -i https://pypi.tuna.tsinghua.edu.cn/simple some-package编辑距离
你可以把编辑距离想象成一场“变脸游戏”：给你两个词，比如“kitten”和“sitting”，你要通过最少的操作次数，把第一个词变成第二个词。允许的操作只有三种：
- 插入 （Insert）：加个字母
- 删除 （Delete）：删个字母
- 替换 （Substitute）：换个字母
比如将 “kitten” 怎么变成 “sitting” ？
- k → s （替换）
- e → i （替换）
- 在末尾加个 g （插入）
总共三步完成，所以它们的编辑距离就是3。这种以“最小改动次数”来衡量相似度的方式，非常符合人类的直觉。改动越少，说明俩词越像；改动越多，就越不像。
相似度得分
fuzzywuzzy把编辑距离转化成了一个 0 到 100 的直观评分。分数越高，越像。
相似度得分 = (1 - 编辑距离 / 最长字符串长度) × 100匹配函数
常用的匹配函数一般是下面这些，可能还会有一些衍生出来的变体，但整体分类上没有太大变化。下面示例中，不同依赖包版本的算法可能会稍有差异，运行的结果可能会有不同属于正常现象。
完整比对
ratio() 要求整体上尽量一致，包括顺序，词汇，长度等。它就像一把尺子，从头到尾量一遍两个字符串的相似度。
from fuzzywuzzy import fuzz standard = "iPhone 15 Pro Max" variants = [ "Iphone15ProMax", "iphone 15 pro max (256GB)", "IPHONE 15 PRO MAX", ] for v in variants: print(f"{v}: {fuzz.ratio(standard.lower(), v.lower())}") # Iphone15ProMax: 90 # iphone 15 pro max (256GB): 81 # IPHONE 15 PRO MAX: 100局部比对
partial_ratio() 自动把短的那个字符串当成模板，在长的那个字符串上滑动，挨个位置截取同样长度的子串，然后调用ratio()去比，最后返回最高的那个得分。
from fuzzywuzzy import fuzz query = "北京路" db_entry = "广东省广州市越秀区北京路步行街" print(fuzz.ratio(query, db_entry)) # 只有33多分 print(fuzz.partial_ratio(query, db_entry)) # 高达100分！忽略顺序
token_sort_ratio() 会先把两个字符串按空格或其他分隔符拆分成词（token），然后排序，最后再调用 ratio() 比对得到结果。
from fuzzywuzzy import fuzz print(fuzz.token_sort_ratio("红 色 跑车", "跑车 红 色")) # 输出: 100核心比对
token_set_ratio()会提取两个字符串的所有唯一词汇，然后分成三部分：交集（共同有的词）、A独有、B独有。接着，它会组合这些部分进行多次比对，取最高分。在处理电商商品标题、文章标签等富含冗余信息场景时比较有效。
from fuzzywuzzy import fuzz title1 = "【旗舰店】Apple iPhone 15 Pro Max 256G 黑色" title2 = "iPhone15 Pro Max 256GB 手机 黑色" print(fuzz.token_set_ratio(title1, title2)) # 73process
extractOne()
传给它一个查询词和一个候选列表，它会默默帮你把每个候选都比一遍，然后把得分最高的那位和它的分数打包送回来。默认的full_process预处理器会帮你做小写转换、去标点等清洗工作。
from fuzzywuzzy import process choices = [ "Apple iPhone 14 Pro", "iPhone 14 Plus", "Samsung Galaxy S23", "Google Pixel 7", ] query = "iphone 14 pro" best_match, score = process.extractOne(query, choices) print(f"最佳匹配: {best_match}, 得分: {score}") # 输出: 最佳匹配: Apple iPhone 14 Pro, 得分: 95extract()
提取最好的几个，默认是 5 个，会将最佳匹配的几个候选和得分返回来。
from fuzzywuzzy import process choices = [ "Apple iPhone 14 Pro", "iPhone 14 Plus", "Samsung Galaxy S23", "Google Pixel 7", ] query = "iphone 14 pro" bests_match = process.extract(query, choices, limit=3) for match, score in bests_match: print(f"匹配：'{match}'，得分：{score}") # 匹配：'Apple iPhone 14 Pro'，得分：95 # 匹配：'iPhone 14 Plus'，得分：81 # 匹配：'Google Pixel 7'，得分：35extractBests()
目前来看和 extract() 差别不大，唯一的区别是可以设置 score_cutoff 的阈值，使得只返回得分高于阈值的选项。
from fuzzywuzzy import process choices = [ "Apple iPhone 14 Pro", "iPhone 14 Plus", "Samsung Galaxy S23", "Google Pixel 7", ] query = "iphone 14 pro" bests_match = process.extractBests(query, choices, limit=3, score_cutoff=80) for match, score in bests_match: print(f"匹配：'{match}'，得分：{score}") # 匹配：'Apple iPhone 14 Pro'，得分：95 # 匹配：'iPhone 14 Plus'，得分：81