小编典典
这里有几种优化级别可以将这个问题从O(n ^ 2)转变为较小的时间复杂度。
预处理 ：在第一遍中对您的列表进行排序，为每个字符串创建一个输出映射，它们对于映射的键可以是规范化的字符串。规范化可能包括：
小写转换，
没有空格，去除特殊字符，
如果可能，将unicode转换为ascii等效项，请使用unicodedata.normalize或unidecode模块)
这将导致"Andrew H Smith"，"andrew h. smith"，"ándréw h.
smith"产生相同的密钥"andrewhsmith"，和你的万余名组将减少到一个较小的一套独特的/类似的分组名。
您可以使用此utlity方法来规范化您的字符串(尽管不包括unicode部分)：
def process_str_for_similarity_cmp(input_str, normalized=False, ignore_list=[]):
""" Processes string for similarity comparisons , cleans special characters and extra whitespaces
if normalized is True and removes the substrings which are in ignore_list)
Args:
input_str (str) : input string to be processed
normalized (bool) : if True , method removes special characters and extra whitespace from string,
and converts to lowercase
ignore_list (list) : the substrings which need to be removed from the input string
Returns:
str : returns processed string
"""
for ignore_str in ignore_list:
input_str = re.sub(r'{0}'.format(ignore_str), "", input_str, flags=re.IGNORECASE)
if normalized is True:
input_str = input_str.strip().lower()
#clean special chars and extra whitespace
input_str = re.sub("\W", "", input_str).strip()
return input_str现在，如果相似的字符串的规范化密钥相同，则它们将已经位于同一存储桶中。
为了进行进一步的比较， 您将只需要比较键，而不是名称 。例如 andrewhsmith和andrewhsmeeth，因为除了上面进行的标准化比较之外，名称的这种相似性还需要模糊字符串匹配。
Bucketing ： 您是否真的需要将5个字符的密钥与9个字符的密钥进行比较，看看是否匹配95％ ？你不可以。因此，您可以创建匹配字符串的存储桶。例如，将5个字符名称与4-6个字符名称匹配，将6个字符名称与5-7个字符匹配，等等。对于大多数实际匹配而言，字符键的n + 1，n-1个字符限制是一个不错的选择。
开始比赛 ：名字的大部分变化都会有相同的第一个字符的标准化格式(例如Andrew H Smith，ándréw h. smith和Andrew H. Smeeth生成密钥andrewhsmith，andrewhsmith和andrewhsmeeth分别，他们通常不会在第一个字符不同，所以你可以开始键跑匹配。a其他键开头为a，并且位于长度段之内，这将大大减少您的匹配时间，因此无需匹配关键字andrewhsmith，因此bndrewhsmith，几乎不会出现带有首字母的名称变化。
然后，您可以使用此方法(或FuzzyWuzzy模块)的内容来查找字符串相似度百分比，可以排除jaro_winkler或difflib中的一个来优化速度和结果质量：
def find_string_similarity(first_str, second_str, normalized=False, ignore_list=[]):
""" Calculates matching ratio between two strings
Args:
first_str (str) : First String
second_str (str) : Second String
normalized (bool) : if True ,method removes special characters and extra whitespace
from strings then calculates matching ratio
ignore_list (list) : list has some characters which has to be substituted with "" in string
Returns:
Float Value : Returns a matching ratio between 1.0 ( most matching ) and 0.0 ( not matching )
using difflib's SequenceMatcher and and jellyfish's jaro_winkler algorithms with
equal weightage to each
Examples:
>>> find_string_similarity("hello world","Hello,World!",normalized=True)
1.0
>>> find_string_similarity("entrepreneurship","entreprenaurship")
0.95625
>>> find_string_similarity("Taj-Mahal","The Taj Mahal",normalized= True,ignore_list=["the","of"])
1.0
"""
first_str = process_str_for_similarity_cmp(first_str, normalized=normalized, ignore_list=ignore_list)
second_str = process_str_for_similarity_cmp(second_str, normalized=normalized, ignore_list=ignore_list)
match_ratio = (difflib.SequenceMatcher(None, first_str, second_str).ratio() + jellyfish.jaro_winkler(unicode(first_str), unicode(second_str)))/2.0
return match_ratio
