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 (nombre_rol1[0]
, nombre_rol1[1]
) lo que obtienes es la primera y segunda letra de los nombres. Indizar solo seria correcto si no desempaquetas las sublistas en el for
:
lista = [
['Santino', 'hijo'], ['Shion Uzaki', 'madre'], ['Lorentz', 'padre']
]
for i, (nombre_rol1, rol1) in enumerate(lista):
print(nombre_rol1[0], "|" ,nombre_rol1[1])
# S | a
# S | h
# L | o
for i, (nombre_rol1, rol1) in enumerate(lista):
print(nombre_rol1, "|", rol1)
# Santino | hijo
# Shion Uzaki | madre
# Lorentz | padre
# Si no desempaquetas si seria correcto indizar luego
for i, nombre_rol1 in enumerate(lista):
print(nombre_rol1[0], "|", nombre_rol1[1])
# Santino | hijo
# Shion Uzaki | madre
# Lorentz | padre
debe ser por tanto:
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, (nombre1, rol1) in enumerate(lista):
if i not in eliminados:
nueva_lista.append([nombre1, rol1])
for j, (nombre2, 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 primeros elementos de las sublistas que se corresponden con el nombre, nombre1 y nombre2.
similitud_nombre = SequenceMatcher(None, nombre1, nombre2).ratio()
#En este caso, se aplica a los segundos elementos de las sublistas, que se corresponden con los roles, rol1 y rol2.
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, por lo que la proporción de similitud es 2/3. 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 se consideran 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.