python初心者です。difflibの概要は掴めたのですが、やりたいことのレベルがちょっと飛躍してしまいどのような処理をすればよいかわかりません。
Pythonなら何でも知っているという方いらっしゃれば教えていただけますと幸いです。
目的:Pythonのdifflibを使用し、数万個ある文字列の比較したい。
リストa、リストbにそれぞれ文字列があり
リストaを起点にしてリストbにある文字列の類似度を計測したいです。
a = [
"たかぎ歯科",
"ホワイトニングクリニックtanaka",
"大田矯正歯科 五反田院"
]
b = [
"ホワイトニングクリニック Tanaka",
"大田矯正歯科五反田分院"
"たかぎ歯科 品川院",
]
リストが上記のように2つあった場合
1. aの "たかぎ歯科"に対してbの"ホワイトニングクリニック Tanaka","大田矯正歯科五反田分院","たかぎ歯科 品川院"の3つをすべて比較。
2.それぞれの類似度を出す
※リストaの2つ目"ホワイトニングクリニックtanaka"も同様にbの1〜3番めの文字列を比較して類似度をだしてあげる。
3.類似度が最も高いb内にある文字列をCSVで抽出したときに横に"たかぎ歯科"の横に並べたい
CSVイメージ
a | b | 類似度 |
---|---|---|
たかぎ歯科 | たかぎ歯科 品川院 | 0.8 |
ホワイトニングクリニックtanaka | ホワイトニングクリニック Tanaka | 0.9 |
大田矯正歯科 五反田院 | 大田矯正歯科五反田分院 | 0.75 |
※類似度の数値は適当にいれました。
以上が行いたい処理です。
初心者でほとんどわからない状態ですが、ご教示いただけると幸いです。