查找重复邮寄地址的策略

我正在尝试想出一种根据相似度分数查找重复地址的方法。考虑这些重复的地址：

addr_1 = '# 3 FAIRMONT LINK SOUTH'
addr_2 = '3 FAIRMONT LINK S'

addr_3 = '5703 - 48TH AVE'
adrr_4 = '5703- 48 AVENUE'

我计划应用一些字符串转换来缩写长单词，例如 NORTH -> N，删除所有空格、逗号、破折号和井号。现在，有了这个输出，我如何将 addr_3 与其余地址进行比较并检测相似？多少百分比的相似度是安全的？你能为此提供一个简单的Python代码吗？

addr_1 = '3FAIRMONTLINKS'
addr_2 = '3FAIRMONTLINKS'

addr_3 = '570348THAV'
adrr_4 = '570348AV'

感恩，

Eduardo

首先，通过将所有空格折叠为每个单词之间的单个空格来简化地址字符串，并强制所有内容都小写（如果您愿意，也可以大写）：

adr = " ".join(adr.tolower().split())

然后，我会删除“41街”中的“st”或“42街”中的“nd”之类的内容：

adr = re.sub("1st(\b|$)", r'1', adr)
adr = re.sub("([2-9])\s?nd(\b|$)", r'\1', adr)

请注意，第二个 sub() 将使用“2”和“nd”之间的空格，但我没有设置第一个来执行此操作；因为我不确定你如何区分“41 St Ave”和“41 St”（第二个是“41 Street”的缩写）。

请务必阅读 re 模块的所有帮助；它很强大但很神秘。

然后，我会将您剩下的内容拆分为单词列表，并应用 Soundex 算法来列出看起来不像数字的项目：

http://en.wikipedia.org/wiki/Soundexhttp://en.wikipedia.org/wiki/Soundex http://en.wikipedia.org/wiki/Soundex

http://wwwhomes.uni-bielefeld.de/gibbon/Forms/Python/SEARCH/soundex.htmlhttp://wwwhomes.uni-bielefeld.de/gibbon/Forms/Python/SEARCH/soundex.html http://wwwhomes.uni-bielefeld.de/gibbon/Forms/Python/SEARCH/soundex.html

adrlist = [word if word.isdigit() else soundex(word) for word in adr.split()]

然后，您可以使用该列表或按照您认为最好的方式将其连接回字符串。

Soundex 的整个想法是处理拼写错误的地址。这可能不是您想要的，在这种情况下，请忽略此 Soundex 想法。

祝你好运。