Come restituire un'intersezione di array Ruby con elementi duplicati? (problema con i bigrammi nel coefficiente dei dadi)
-
05-07-2019 - |
Domanda
Sto provando a scrivere Dice's Coefficient, ma sto riscontrando un po 'di problemi con l'intersezione dell'array.
def bigram(string)
string.downcase!
bgarray=[]
bgstring="%"+string+"#"
bgslength = bgstring.length
0.upto(bgslength-2) do |i|
bgarray << bgstring[i,2]
end
return bgarray
end
def approx_string_match(teststring, refstring)
test_bigram = bigram(teststring) #.uniq
ref_bigram = bigram(refstring) #.uniq
bigram_overlay = test_bigram & ref_bigram
result = (2*bigram_overlay.length.to_f)/(test_bigram.length.to_f+ref_bigram.length.to_f)*100
return result
end
Il problema è, come & amp; rimuove i duplicati, ottengo cose come questa:
string1="Almirante Almeida Almada"
string2="Almirante Almeida Almada"
puts approx_string_match(string1, string2) => 76.0%
Dovrebbe restituire 100.
Il metodo uniq lo inchioda, ma c'è una perdita di informazioni, che può portare a corrispondenze indesiderate nel set di dati specifico su cui sto lavorando.
Come posso ottenere un incrocio con tutti i duplicati inclusi?
Soluzione
Come Yuval F
ha detto che dovresti usare multiset
. Tuttavia, non esiste multiset
nella libreria standard di Ruby, dai un'occhiata a qui e qui .
Se le prestazioni non sono così importanti per la tua applicazione, puoi comunque farlo usando Array
con un po 'di codice.
def intersect a , b
a.inject([]) do |intersect, s|
index = b.index(s)
unless index.nil?
intersect << s
b.delete_at(index)
end
intersect
end
end
a= ["al","al","lc" ,"lc","ld"]
b = ["al","al" ,"lc" ,"ef"]
puts intersect(a ,b).inspect #["al", "al", "lc"]
Altri suggerimenti
Da questo link credo che non dovresti usare i set di Ruby ma piuttosto multiset, in modo che ogni bigram venga conteggiato il numero di volte che appare. Forse puoi usare questa gemma per i multiset. Questo dovrebbe dare un comportamento corretto per i bigram ricorrenti.
Ho giocato con questo, sulla base della risposta di @pierr, per un po 'e ho finito con questo.
a = ["al","al","lc","lc","lc","lc","ld"]
b = ["al","al","al","al","al","lc","ef"]
result=[]
h1,h2=Hash.new(0),Hash.new(0)
a.each{|x| h1[x]+=1}
b.each{|x| h2[x]+=1}
h1.each_pair{|key,val| result<<[key]*[val,h2[key]].min if h2[key]!=0}
result.flatten
= > [" al " ;, " al " ;, " lc "]
Potrebbe essere una specie di intersezione multiset di a
& amp; b
ma non crederci perché non l'ho provato abbastanza per esserne sicuro.