Como devolver um cruzamento array Ruby com elementos duplicados? (Problema com bigramas em Dice Coeficiente)
-
05-07-2019 - |
Pergunta
Eu estou tentando Coeficiente de roteiro Dice, mas eu estou tendo um pouco de um problema com a intersecção matriz.
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
O problema é, como e remove duplicatas, fico com coisas como esta:
string1="Almirante Almeida Almada"
string2="Almirante Almeida Almada"
puts approx_string_match(string1, string2) => 76.0%
Ele deve retornar 100.
As unhas método uniq-lo, mas há perda de informações, o que pode trazer correspondências indesejadas no conjunto de dados particular que eu estou trabalhando.
Como posso obter uma interseção com todas as duplicações?
Solução
Como Yuval F
disse que você deve usar multiset
. No entanto, há nomultiset
em Ruby biblioteca padrão, Take a olhar para aqui aqui .
Se o desempenho não é tão crítico para a sua aplicação, você ainda pode fazê-lo usingArray
com um código bit pouco.
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"]
Outras dicas
Eu brinquei com isso, com base na resposta de @pierr, por um tempo e acabamos com isso.
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"]
Esta poderia ser uma espécie de intersecção multiset de a
& b
mas não tome minha palavra para ela, porque eu não testei o suficiente para ter certeza.