El problema central es definir y calcular similitud. Para esto usara la función difflib.ndiff
. Esta función es un generador que produce las diferencias entre dos palabras, como se muestra en el ejemplo:
[x for x in difflib.ndiff("palabra1", "palabra2")]
produce
[' p', ' a', ' l', ' a', ' b', ' r', ' a', '- 1', '+ 2']
Lo que nos importa son los elementos que empiezan con "-" y "+", los que señalan caracteres que deben ser insertados o eliminados de la primera palabra para hacerla igual a la segunda palabra.
Con esto, mi arbitraria definición de parecido es:
dos palabras son parecidas si el total de modificaciones ("-" y "+")
es menor que un limite (por ejemplo, 4).
Mi función de comparación será
import difflib
def diferencias(palabra1, palabra2, max):
""" Compara dos palabras
@param palabra1: La primera palabra
@param palabra2: La segunda palabra.
@param max: Maximo numero de discrepancias aceptables
@return: True si las dos palabras tienen a lo más max diferencias.
"""
total_neg = 0
total_pos = 0
for dif in difflib.ndiff(palabra1, palabra2):
if dif[0] == "-":
total_neg += 1
elif dif[0] == "+":
total_pos += 1
print(palabra1, palabra2, total_neg, total_pos)
return (total_neg + total_pos) <= max
Nota: He dejado separado la contabilidad de adiciones y eliminaciones para facilitar la aplicacion de otros criterios de similitud.
Tengo un directorio con este contenido:
20180927_182610.jpg 20190220_130357.jpg DSCN1930.jpg DSCN1937.jpg
20180927_182628.jpg 20190220_130403.jpg DSCN1931.MOV DSCN1938.jpg
20181215_161317.jpg 20190220_130405.jpg DSCN1932.jpg DSCN1939.jpg
20181215_161319.jpg 20190330_161846.jpg DSCN1933.jpg out
20181215_161324.jpg 20190330_161850.jpg DSCN1934.jpg
20181215_161326.jpg 20190330_161903.jpg DSCN1935.jpg
20190220_130354.jpg 20190907_224410.jpg DSCN1936.jpg
Modifique ligeramente tu código para probarlo:
def filtrarCoincidencias(ruta,extension):
files=[x for x in os.listdir(ruta) if x.endswith(extension)]
coincidencias=[]
for i, f1 in enumerate(files):
for j, f2 in enumerate(files):
if(j > i):
if diferencias(f1, f2, 4):
coincidencias.append((f1,f2))
else:
print("rechazada")
return coincidencias
for tupla in filtrarCoincidencias("/home/candid/inter3",".jpg"):
print(tupla)
Lo que produce el resultado a continuación:
Nota: he dejado varios prints para poder seguir y chequear la operación. Las primeras lineas reflejan el calculo en la función diferencias
.
20181215_161317.jpg 20180927_182628.jpg 7 7
rechazada
20181215_161317.jpg DSCN1933.jpg 13 6
rechazada
20181215_161317.jpg 20181215_161326.jpg 2 2
20181215_161317.jpg 20190220_130403.jpg 8 8
rechazada
20181215_161317.jpg 20190220_130405.jpg 8 8
rechazada
20181215_161317.jpg 20190330_161850.jpg 8 8
rechazada
20181215_161317.jpg DSCN1936.jpg 13 6
rechazada
20181215_161317.jpg 20190907_224410.jpg 11 11
rechazada
20181215_161317.jpg 20181215_161319.jpg 1 1
20181215_161317.jpg DSCN1938.jpg 13 6
rechazada
... blah, blah ....
('20181215_161317.jpg', '20181215_161326.jpg')
('20181215_161317.jpg', '20181215_161319.jpg')
('20181215_161317.jpg', '20181215_161324.jpg')
('20180927_182628.jpg', '20180927_182610.jpg')
('DSCN1933.jpg', 'DSCN1936.jpg')
('DSCN1933.jpg', 'DSCN1938.jpg')
('DSCN1933.jpg', 'DSCN1939.jpg')
('DSCN1933.jpg', 'DSCN1932.jpg')
('DSCN1933.jpg', 'DSCN1934.jpg')
('DSCN1933.jpg', 'DSCN1930.jpg')
('DSCN1933.jpg', 'DSCN1935.jpg')
('DSCN1933.jpg', 'DSCN1937.jpg')
('20181215_161326.jpg', '20181215_161319.jpg')
('20181215_161326.jpg', '20181215_161324.jpg')
('20190220_130403.jpg', '20190220_130405.jpg')
('20190220_130403.jpg', '20190220_130354.jpg')
('20190220_130403.jpg', '20190220_130357.jpg')
('20190220_130405.jpg', '20190220_130354.jpg')
('20190220_130405.jpg', '20190220_130357.jpg')
('20190330_161850.jpg', '20190330_161846.jpg')
('20190330_161850.jpg', '20190330_161903.jpg')
('DSCN1936.jpg', 'DSCN1938.jpg')
('DSCN1936.jpg', 'DSCN1939.jpg')
('DSCN1936.jpg', 'DSCN1932.jpg')
('DSCN1936.jpg', 'DSCN1934.jpg')
('DSCN1936.jpg', 'DSCN1930.jpg')
('DSCN1936.jpg', 'DSCN1935.jpg')
('DSCN1936.jpg', 'DSCN1937.jpg')
('20181215_161319.jpg', '20181215_161324.jpg')
('DSCN1938.jpg', 'DSCN1939.jpg')
('DSCN1938.jpg', 'DSCN1932.jpg')
('DSCN1938.jpg', 'DSCN1934.jpg')
('DSCN1938.jpg', 'DSCN1930.jpg')
('DSCN1938.jpg', 'DSCN1935.jpg')
('DSCN1938.jpg', 'DSCN1937.jpg')
('20190220_130354.jpg', '20190220_130357.jpg')
('DSCN1939.jpg', 'DSCN1932.jpg')
('DSCN1939.jpg', 'DSCN1934.jpg')
('DSCN1939.jpg', 'DSCN1930.jpg')
('DSCN1939.jpg', 'DSCN1935.jpg')
('DSCN1939.jpg', 'DSCN1937.jpg')
('DSCN1932.jpg', 'DSCN1934.jpg')
('DSCN1932.jpg', 'DSCN1930.jpg')
('DSCN1932.jpg', 'DSCN1935.jpg')
('DSCN1932.jpg', 'DSCN1937.jpg')
('DSCN1934.jpg', 'DSCN1930.jpg')
('DSCN1934.jpg', 'DSCN1935.jpg')
('DSCN1934.jpg', 'DSCN1937.jpg')
('DSCN1930.jpg', 'DSCN1935.jpg')
('DSCN1930.jpg', 'DSCN1937.jpg')
('DSCN1935.jpg', 'DSCN1937.jpg')
Observaciones:
filecmp.cmp no compara los nombres de archivos.
Hay una versión más pitonica de la función de comparación, que sería esta:
def diferencia2(palabra1, palabra2, max):
return len([dif for dif in difflib.ndiff(palabra1, palabra2) if dif[0] != ' ']) <= max
Es más compacta, pero poco adaptable si deseas cambiar el criterio de similitud.