 |
 |
 |
Python ライブラリリファレンス |  |
 |
 |
|
|
|
Python ライブラリリファレンス | |
|
|
The SequenceMatcher クラスには、以下のようなコンストラクタがあります。:
| [isjunk[, a[, b]]]) |
None (デフォルトの値です)
にするか、単一の引数をとる関数にせねばなりません。後者の場合、関数は
シーケンスの要素を受け取り、要素が ``junk'' であり、無視すべきである場合に
限り真をかえすようにせねばなりません。
isjunk に None を渡すと、lambda x: 0 を渡したのと
同じになります; すなわち、いかなる要素も無視しなくなります。
例えば以下のような引数を渡すと、空白とタブ文字を無視して文字のシーケンスを
比較します。
lambda x: x in " \t"
オプションの引数 a と b は、比較される文字列です。 デフォルトで、それらは空の文字列で、文字列の要素はハッシュ化できます。
SequenceMatcher オブジェクトは以下のメソッドを持ちます。
| a, b) |
SequenceMatcher オブジェクトは2つ目の文字列についての詳細な情報を 算定し、保管します。そのため、ひとつの文字列をいくつもの文字列と比較する場合、 まず set_seq2() を使って文字列を設定しておき、別の文字列をひとつづつ 比較するために、繰り返し set_seq() を呼び出します。
| a) |
| b) |
| alo, ahi, blo, bhi) |
a[alo:ahi] とb[blo:
bhi]の中から、最長のマッチ列を探します。
isjunkが省略されたかNoneの時、get_longest_match()
はa[i:i+k] がb[j:
j+k]と等しいような(i, j, k)を
返します。その値はalo <= i <= i+k <=
ahiかつblo <= j <= j+k <=
bhiとなります。(i', j', k')でも、
同じようになります。さらにk >= k', i <= i'
がi == i', j <= j'でも同様です。
言い換えると、いくつものマッチ列すべてのうち、a内で最初に
始まるものを返します。そしてそのa内で最初のマッチ列すべての
うちb内で最初に始まるものを返します。
>>> s = SequenceMatcher(None, " abcd", "abcd abcd") >>> s.find_longest_match(0, 5, 0, 9) (0, 4, 5)
引数isjunkが与えられている場合、上記の通り、はじめに再長の マッチ列を判定します。ブロック内にjunk要素が見当たらないような 追加条件の際はこれに該当しません。次にそのマッチ列を、その両側の junk要素にマッチするよう、できる限り広げていきます。そのため結果 となる列は、探している列のたまたま直前にあった同一のjunk以外の junkにはマッチしません。
以下は前と同じサンプルですが、空白をjunkとみなしています。これは
' abcd'が2つ目の列の末尾にある' abcd'にマッチしない
ようにしています。代わりに'abcd'にはマッチします。そして
2つ目の文字列中、一番左の'abcd'にマッチします。
>>> s = SequenceMatcher(lambda x: x==" ", " abcd", "abcd abcd") >>> s.find_longest_match(0, 5, 0, 9) (1, 0, 4)
どんな列にもマッチしない時は、(alo, blo, 0)を
返します。
| ) |
(i, j,
n)という形式であらわされ、a[i:i+n]
== b[j:j+n]いう関係を意味します。3つの値は
iとjの間で単調に増加します。
最後のタプルはダミーで、(len(a), len(b), 0)という
値を持ちます。これはn==0である唯一のタプルです。
>>> s = SequenceMatcher(None, "abxcd", "abcd") >>> s.get_matching_blocks() [(0, 0, 2), (3, 2, 2), (5, 4, 0)]
| ) |
(tag, i1, i2, j1, j2)
という形式であらわされます。最初のタプルはi1 == j1
== 0であり、i1はその前にあるタプルのi2と同じ値です。
同様にj1は前のj2と同じ値になります。
tagの値は文字列であり、次のような意味です。
| 値 | 意味 |
|---|---|
'replace' |
a[i1:i2]はb[
j1:j2]に置き換えられる |
'delete' |
a[i1:i2] は削除される。
この時、j1 == j2である |
'insert' |
b[j1:j2] がa
[i1:i1]に挿入される。
この時i1 == i2である。 |
'equal' |
a[i1:i2] ==
b[j1:j2] (下位の文字列は同一) |
例:
>>> a = "qabxcd"
>>> b = "abycdf"
>>> s = SequenceMatcher(None, a, b)
>>> for tag, i1, i2, j1, j2 in s.get_opcodes():
... print ("%7s a[%d:%d] (%s) b[%d:%d] (%s)" %
... (tag, i1, i2, a[i1:i2], j1, j2, b[j1:j2]))
delete a[0:1] (q) b[0:0] ()
equal a[1:3] (ab) b[0:2] (ab)
replace a[3:4] (x) b[2:3] (y)
equal a[4:6] (cd) b[3:5] (cd)
insert a[6:6] () b[5:6] (f)
| [n]) |
このメソッドは、get_opcodes() で返されるグループの中から、似 たような差異のかたまりに分け、間に挟まっている変更の無い部分を省きます。
グループは get_opcodes() と同じ書式で返されます。
バージョン 2.3 で 新たに追加 された仕様です。
| ) |
Tが2つのシーケンスそれぞれがもつ要素の総数だと仮定し、Mをマッチした
数とすると、この値は2.0*M/Tであらわされます。もしシーケンスがまったく
同じ場合、値は1.0となり、まったく異なる場合には0.0となります。
このメソッドはget_matching_blocks()またはget_opcodes()が まだ呼び出されていない場合には非常にコストが高く、この時より限定された 機能をもったquick_ratio()もしくはreal_quick_ratio()を 最初に試してみることができます。
| ) |
このメソッドはratio()より限定されており、これを超えるとは 見なされませんが、高速に実行します。
| ) |
このメソッドはratio()より限定されており、これを 超えるとは見なされませんが、ratio()や quick_ratio()より高速に実行します。
この文字列全体のマッチ率を返す3つのメソッドは、異なる近似値に基づく 異なる結果を返します。とはいえ、quick_ratio()と real_quick_ratio()は、常にratio()より大きな値を示します。
>>> s = SequenceMatcher(None, "abcd", "bcde") >>> s.ratio() 0.75 >>> s.quick_ratio() 0.75 >>> s.real_quick_ratio() 1.0
|
|
|
Python ライブラリリファレンス | |
|
|