用python实现模糊搜索

实现模糊搜索一般可以使用字符串相似度算法，比如 Levenshtein Distance、Jaro Distance、Jaro-Winkler Distance 等等。这里给出使用 Levenshtein Distance 实现模糊搜索的示例代码：

import numpy as np

def levenshtein_distance(s1, s2):
    """
    计算两个字符串的 Levenshtein Distance
    """
    m, n = len(s1), len(s2)
    dp = np.zeros((m+1, n+1))

    # 初始化第一行和第一列
    for i in range(m+1):
        dp[i][0] = i
    for j in range(n+1):
        dp[0][j] = j

    # 计算 dp 数组
    for i in range(1, m+1):
        for j in range(1, n+1):
            if s1[i-1] == s2[j-1]:
                dp[i][j] = dp[i-1][j-1]
            else:
                dp[i][j] = 1 + min(dp[i][j-1], dp[i-1][j], dp[i-1][j-1])

    return dp[m][n]

def fuzzy_search(query, texts, threshold):
    """
    在 texts 中进行模糊搜索，返回与 query 相似度大于等于 threshold 的结果
    """
    results = []
    for text in texts:
        distance = levenshtein_distance(query, text)
        similarity = 1 - distance / max(len(query), len(text))
        if similarity >= threshold:
            results.append((text, similarity))
    # 按相似度从大到小排序
    results = sorted(results, key=lambda x: x[1], reverse=True)
    return results

使用示例：

texts = ['apple', 'banana', 'orange', 'peach']
query = 'appl'
threshold = 0.7
results = fuzzy_search(query, texts, threshold)
print(results)

输出：

[('apple', 0.8), ('peach', 0.4)]

这里使用 Levenshtein Distance 计算字符串的相似度，并且设定了一个阈值，只有相似度大于等于阈值的结果才会被返回。可以根据实际需求调整阈值。