編輯距離
編輯距離(Edit Distance),又稱Levenshtein距離,是指兩個字符串之間,由一個轉成另一個所需的最少編輯操作次數。編輯操作包括將一個字符替換成另一個字符,插入一個字符,刪除一個字符。一般來說,編輯距離越小,兩串的相似度越大。
例如將kitten一字轉換成sitting:('kitten' 和'sitting' 的編者距離為3)
sen (k→s)
sitting (→g)
Python中的Levenshtein套件可以方便的計算編輯距離套件的安裝:
pip install python-Levenshteinin <br>上面的程式執行結果為3,但是只改了一個字符,為什麼會發生這樣的情況?
解決方法是將字串轉換成unicode格式,即可傳回正確的結果1。
# -*- coding:utf-8 -*- import Levenshtein texta = '艾伦 图灵传' textb = '艾伦•图灵传' print Levenshtein.distance(texta,textb)
接下來重點介紹下保重幾個方法的作用:
# -*- coding:utf-8 -*- import Levenshtein texta = u'艾伦 图灵传' textb = u'艾伦•图灵传' print Levenshtein.distance(texta,textb)
in
Levenshtein.distance(str1, str2)in
Levenshtein.hamming(str1, str2)
(距離計算編輯距離)。是描述由一個字符串轉換成另一個字符串最少的操作次數,在其中的操作包括插入、刪除、替換。演算法實作:動態規劃。
Levenshtein.ratio(str1, str2)
計算漢明距離。要求str1和str2必須長度一致。是描述兩個等長字符串之間對應位置上不同字元的個數。
Levenshtein.jaro(s1, s2)
, 其中sum是指str1 和 str2 字串的長度總和,ldist是類別編輯距離。注意這裡是類別編輯距離,在類別編輯距離中刪除、插入依然+1,但替換+2。
Levenshtein.jaro_winkler(s1, s2)
計算jaro距離,Jaro Distance據說是用來判定健康記錄上兩個名字是否相同,也有說是用於人口普查,我們先來看一下Jaro Distance的定義。
兩個給定字串S1和S2的Jaro Distance為:
其中的m為s1, s2匹配的字元數,t是換位的數目。
兩個分別來自S1和S2的字符如果相距不超過
時,我們就認為這兩個字符串是匹配的;而這些相互匹配的字符則決定了換位的數目t,簡單來說就是不同順序的匹配字元的數目的一半即為換位的數目t。舉例來說,MARTHA與MARHTA的字符都是匹配的,但是這些匹配的字符中,T和H要換位才能把MARTHA變為MARHTA,那麼T和H就是不同的順序的匹配字符,
。
兩個字串的Jaro Distance即為:
dw = 0.944 + (3 * 0.1(1 − 0.944)) = 0.961
計算Jaro–Winkler距離,而Jarorrreee
dj是兩個字串的Jaro Distance
ι是前綴的相同的長度,但是規定最大為4
rrreee
個人覺得演算法可以完善的點:
標的作用是指的主要效果是指點名針對中文進行分析,依照詞比較是不是要比按照字比較效果好?
總結以上就是這篇文章的全部內容了,希望本文的內容對大家學習或者使用python能有所幫助,如果有疑問大家可以留言交流。