重新构建问题的另一种方法是近似/模糊字符串匹配。FuzzyWuzzy是 Python 的近似/模糊字符串匹配包。该包可以在一个集合中找到与用户输入值最近的元素，并且具有一定的置信度。像这样的东西：

from fuzzywuzzy import process

ports = {"Houston", "New York", "Newark", "Long Beach"}
user_input = "Strong Beach"
best_guess = process.extractOne(user_input, ports)
print(f"The best match for '{user_input}' is '{best_guess[0]}' which is a {best_guess[1]}% match.")

“Strong Beach”的最佳匹配是“Long Beach”，匹配率为 82%。

拼写检查实际上并不属于数据科学中的训练和预测模型领域。主要是因为在 word2vec/GloVe 的情况下嵌入需要已知的单词，在 doc2vec 的情况下需要已知的上下文，或者在 Fasttext 的情况下需要已知的词干，再加上非常大的训练数据集。相反，拼写检查是更传统的软件工程。它很广泛，但幸运的是，您可以从小处着手，然后一点一点地增加它。

如果单词是众所周知的，即常见的名词和代词，您可以使用类似于Python 中的自动更正的包，但如果您正在寻找特定的单词列表，在您的情况下端口是专有名词，您必须使用真正的拼写检查程序。由于这是一个广泛的主题，您应该从Stack Overflow提供的关于Peter Norvig 的帖子的答案开始，并根据您的需要从那里开始构建。