Python - diferença entre duas strings

Eu gostaria de armazenar muitas palavras em uma lista. Muitas dessas palavras são muito semelhantes. Por exemplo, eu tenho palavra afrykanerskojęzycznye muitos de palavras como afrykanerskojęzycznym, afrykanerskojęzyczni, nieafrykanerskojęzyczni. Qual é a solução eficaz (rápida e com tamanho de diff pequeno) para encontrar a diferença entre duas strings e restaurar a segunda string da primeira e diff?

Você pode usar o ndiff no módulo difflib para fazer isso. Ele contém todas as informações necessárias para converter uma string em outra.

Um exemplo simples:

import difflib

cases=[('afrykanerskojęzyczny', 'afrykanerskojęzycznym'),
       ('afrykanerskojęzyczni', 'nieafrykanerskojęzyczni'),
       ('afrykanerskojęzycznym', 'afrykanerskojęzyczny'),
       ('nieafrykanerskojęzyczni', 'afrykanerskojęzyczni'),
       ('nieafrynerskojęzyczni', 'afrykanerskojzyczni'),
       ('abcdefg','xac')] 

for a,b in cases:     
    print('{} => {}'.format(a,b))  
    for i,s in enumerate(difflib.ndiff(a, b)):
        if s[0]==' ': continue
        elif s[0]=='-':
            print(u'Delete "{}" from position {}'.format(s[-1],i))
        elif s[0]=='+':
            print(u'Add "{}" to position {}'.format(s[-1],i))    
    print()      

estampas:

afrykanerskojęzyczny => afrykanerskojęzycznym
Add "m" to position 20

afrykanerskojęzyczni => nieafrykanerskojęzyczni
Add "n" to position 0
Add "i" to position 1
Add "e" to position 2

afrykanerskojęzycznym => afrykanerskojęzyczny
Delete "m" from position 20

nieafrykanerskojęzyczni => afrykanerskojęzyczni
Delete "n" from position 0
Delete "i" from position 1
Delete "e" from position 2

nieafrynerskojęzyczni => afrykanerskojzyczni
Delete "n" from position 0
Delete "i" from position 1
Delete "e" from position 2
Add "k" to position 7
Add "a" to position 8
Delete "ę" from position 16

abcdefg => xac
Add "x" to position 0
Delete "b" from position 2
Delete "d" from position 4
Delete "e" from position 5
Delete "f" from position 6
Delete "g" from position 7

Eu gosto da resposta ndiff, mas se você quiser cuspir tudo em uma lista apenas das mudanças, você pode fazer algo como:

import difflib

case_a = 'afrykbnerskojęzyczny'
case_b = 'afrykanerskojęzycznym'

output_list = [li for li in difflib.ndiff(case_a, case_b) if li[0] != ' ']

Você pode olhar para o módulo regex (a seção fuzzy). Não sei se você pode obter as diferenças reais, mas pelo menos você pode especificar o número permitido de diferentes tipos de alterações, como inserir, excluir e substituições:

import regex
sequence = 'afrykanerskojezyczny'
queries = [ 'afrykanerskojezycznym', 'afrykanerskojezyczni', 
            'nieafrykanerskojezyczni' ]
for q in queries:
    m = regex.search(r'(%s){e<=2}'%q, sequence)
    print 'match' if m else 'nomatch'

O que você está pedindo é uma forma especializada de compressão. O xdelta3 foi projetado para esse tipo específico de compactação e há uma ligação python para ele, mas você provavelmente conseguiria usar o zlib diretamente. Você gostaria de usar zlib.compressobje zlib.decompressobjcom o zdictparâmetro definido para sua "palavra base", por exemplo afrykanerskojęzyczny.

As advertências são zdictsuportadas apenas no python 3.3 e superior, e é mais fácil codificar se você tiver a mesma "palavra base" para todos os seus diffs, que podem ou não ser o que você deseja.

A resposta ao meu comentário acima sobre a questão original me faz pensar que isso é tudo que ele quer:

loopnum = 0
word = 'afrykanerskojęzyczny'
wordlist = ['afrykanerskojęzycznym','afrykanerskojęzyczni','nieafrykanerskojęzyczni']
for i in wordlist:
    wordlist[loopnum] = word
    loopnum += 1

Isso fará o seguinte:

Para cada valor na lista de palavras, defina esse valor da lista de palavras como o código original.

Tudo o que você precisa fazer é colocar este trecho de código onde deseja alterar a lista de palavras, certificando-se de armazenar as palavras que deseja alterar na lista de palavras e de que a palavra original está correta.

Espero que isto ajude!