Skip to main content
3 de 6
se añadieron 137 caracteres en el cuerpo
FJSevilla
  • 62.1k
  • 7
  • 43
  • 68

Tienes un error en los argumentos que pasas a SequenceMatcher:

similitud_nombre = SequenceMatcher(None, nombre_rol1[0], nombre_rol2[0]).ratio()
similitud_rol = SequenceMatcher(None, nombre_rol1[1], nombre_rol2[1]).ratio()

Las variables nombre_rol1 y nombre_rol2 no son las sublistas, es el primer item de cada una fruto del desempaquetado hecho en el for, si indizas sobre ellas lo que obtienes es la primera y segunda letra de los nombres, debe ser:

similitud_nombre = SequenceMatcher(None, nombre_rol1, nombre_rol2).ratio()
similitud_rol = SequenceMatcher(None, rol1, rol2).ratio()

Es decir:

from difflib import SequenceMatcher

def eliminar_similares(lista):
    nueva_lista = []
    eliminados = set()

    for i, (nombre_rol1, rol1) in enumerate(lista):
        if i not in eliminados:
            nueva_lista.append([nombre_rol1, rol1])
            
            for j, (nombre_rol2, rol2) in enumerate(lista[i + 1:], start=i + 1):
                if j not in eliminados:
                    #Calcular la relación de similitud entre dos cadenas de texto (devuelven un valor entre 0 y 1). 
                    #En este caso, se aplica a los elementos de las sublistas nombre_rol1 y nombre_rol2 en las posiciones [0], que corresponden a los nombres.
                    similitud_nombre = SequenceMatcher(None, nombre_rol1, nombre_rol2).ratio()
                    #En este caso, se aplica a los elementos de las sublistas nombre_rol1 y nombre_rol2 en las posiciones [1], que corresponden a los roles.
                    similitud_rol = SequenceMatcher(None, rol1, rol2).ratio()
                    if similitud_nombre > 0.85 and similitud_rol > 0.85:
                        eliminados.add(j)
    return nueva_lista

Que da como salida:

[['Santino', 'hijo'], ['Shion Uzaki', 'madre'],
 ['Lorentz', 'padre'], ['Ricardo Marino', 'esposo'],
 ['Marcelo', 'tío'], ['Lamtztnh', 'padre'],
 ['Ritoko Ai', 'hija'], ['Ritako AI', 'hija'],
 ['Marcela', 'tía'], ['Shion Usuki', 'madre']]

Observa que ['Marcela', 'tía'] no se elimina:

>>> SequenceMatcher(None, "tio", "tia").ratio()
0.6666666666666666

Cambia solo una letra, pero es una letra de una palabra de tres letras. Algo similar pasa con ['Ritoko Ai', 'hija'] y ['Ritako AI', 'hija']:

>>> SequenceMatcher(None,'Ritoko Ai', 'Ritako AI').ratio()
0.7777777777777778

En este caso porque i e I no son lo mismo, aunque puede que esto solo sea un typo en tu ejemplo, si cambiamos i por I si se eliminaran:

>>> SequenceMatcher(None,'Ritoko AI', 'Ritako AI').ratio()
0.8888888888888888

Otro caso es

>>> SequenceMatcher(None,'Shion Usuki', 'Shion Uzaki').ratio()
0.8181818181818182

Pero estos casos no son problema de la función encargada de eliminar las sublistas en si, de no desear que ocurran estas cosas es tema de adaptar SequenceMatcher, de sanear sus entradas o ponderar la salida.

FJSevilla
  • 62.1k
  • 7
  • 43
  • 68