准备做一个小功能,需要计算字符串的相似度,提前做点功课。
算法
字符串相似度的算法以及有很多资料了。最常见的理解就是:把一个字符串通过插入、删除或替换这样的编辑操作,变成另外一个字符串,所需要的最少编辑次数。AKA,两个字符串之间的距离。解这样一个问题,可以使用穷举法,也可以使用动态规划,大家可以自行搜索。贪婪法不适合这个问题。
python-Levenshtein
我需要使用python完成相似度的计算,因而选择了python-Levenshtein。python-Levenshtein的常用函数包括:
1) Levenshtein.hamming(str1, str2)
计算 汉明距离。 要求str1和str2必须长度一致。是描述两个等长字串之间 对应 位置上 不同 字符的个数。
2)Levenshtein.distance(str1, str2)
计算 编辑距离 (也称为Levenshtein距离 )。是描述由一个字串转化成另一个字串最少的操作次数,在其中的操作包括 插入 、 删除 、 替换 。
3)Levenshtein.ratio(str1, str2)
计算莱文斯坦比。计算公式 r = (sum - ldist) / sum, 其中sum是指str1 和 str2 字串的长度总和,ldist是 类编辑距离。
注意 :这里的类编辑距离不是2中所说的编辑距离,2中三种操作中每个操作+1,而在此处,删除、插入依然+1,但是替换+2。这样设计的目的:ratio('a', 'c'),sum=2,按2中计算为(2-1)/2 = 0.5,’a','c'没有重合,显然不合算,但是替换操作+2,就可以解决这个问题。
测试结果
Distance
360-lobby:360-loby 1
360-guest:360_guest 1
ICBC Free:ICBC Secure 5
ICBC_Sec:@ICBC 5
ICBC:IBCC 2
ICBC:CBCI 2
ICBC:IICCBBCC 4
ICBC:ICBCICBC 4
Ratio
360-lobby:360-loby 0.941176
360-guest:360_guest 0.888889
ICBC Free:ICBC Secure 0.700000
ICBC_Sec:@ICBC 0.615385
ICBC:IBCC 0.750000
ICBC:CBCI 0.750000
ICBC:IICCBBCC 0.666667
ICBC:ICBCICBC 0.666667