Similaridade entre duas strings com TheFuzz do Python

Você já precisou comparar nomes, títulos ou registros que não são exatamente iguais, mas claramente representam a mesma coisa?

O TheFuzz é uma biblioteca Python para comparar textos usando o conceito de fuzzy matching (busca aproximada).Ela usa algoritmos como o Levenshtein Distance, que mede quantas operações (inserção, exclusão, substituição) seriam necessárias para transformar uma string em outra.

O resultado é um score de similaridade de 0 a 100.Quanto maior o score, mais parecidas são as strings!

Em resumo, o fuzz.ratio serve exatamente para mostrar o quanto o texto A se parece com o texto B, ou seja, a similaridade entre duas strings.Ele retorna um número entre 0 e 100:

• 100: As strings são idênticas.

• 0: Completamente diferentes.

• Qualquer valor entre 0 e 100: Grau de similaridade (quanto maior, mais parecido).

Principais Funções do TheFuzz

• fuzz.ratio: compara duas strings diretamente (sensível à ordem).

• fuzz.partial_ratio: identifica se uma string é substring da outra.

• fuzz.token_sort_ratio: compara strings ignorando a ordem das palavras.

• fuzz.token_set_ratio: ignora duplicatas e palavras extras, ótimo para nomes.

• fuzz.WRatio: uma função “inteligente” que combina várias técnicas para trazer o melhor score possível.

Como instalar

Abra o terminal do VS Code e digite: pip install thefuzz[speedup]

(O speedup instala um pacote extra para deixar a biblioteca ainda mais rápida.)

Se você não padronizar, o algoritmo pode achar que são mais diferentes do que realmente são. pois na vida real, nomes e textos podem vir com:

• Letras maiúsculas/minúsculas diferentes,

• Acentos (ex: José x Jose),

• Espaços a mais (ex: "Ana Carolina " x "Ana Carolina"),

• Pequenas diferenças que não mudam o significado.

Exemplo:

Comparando Listas de Nomes com TheFuzz e Padronização

Saída:

"Ana Karolina" se parece mais com "Ana Carolina" (score: 91)

"Jose Silva" se parece mais com "José da Silva" (score: 90)

"Ana Karolina" se parece mais com "Ana Carolina" (score: 91)

"Jose Silva" se parece mais com "José da Silva" (score: 90)

"Jose Silva" se parece mais com "José da Silva" (score: 90)

"Marcos Vinícios" se parece mais com "Marcos Vinicius" (score: 93)

"Beatriz Da Costa" se parece mais com "Beatriz Costa" (score: 92)

"Carlos Eduardo" se parece mais com "Ana Carolina" (score: 42)

"Amanda Nascimento" se parece mais com "Amanda Nascimento " (score: 100)

"João" se parece mais com "Joao" (score: 100)