Python字符串相似性的⼏种度量⽅法
字符串的相似性⽐较应⽤场合很多，像拼写纠错、⽂本去重、上下⽂相似性等。
评价字符串相似度最常见的办法就是：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，这种就是编辑距离（edit distance）度量⽅法，也称为Levenshtein距离。海明距离是编辑距离的⼀种特殊情况，只计算等长情况下替换操作的编辑次数，只能应⽤于两个等长字符串间的距离度量。
其他常⽤的度量⽅法还有 Jaccard distance、J-W距离（Jaro–Winkler distance）、余弦相似性（cosine similarity）、欧⽒距离（Euclidean distance）等。
python-Levenshtein 使⽤
使⽤ pip install python-Levenshtein 指令安装 Levenshtein
# -*- coding: utf-8 -*-
import difflib
# import jieba
import Levenshtein
str1 = "我的⾻骼雪⽩也长不出青稞"
str2 = "雪的⽇⼦我只想到雪中去si"
# 1. difflib
seq = difflib.SequenceMatcher(None, str1,str2)
ratio = seq.ratio()
print 'difflib similarity1: ', ratio
# difflib 去掉列表中不需要⽐较的字符
seq = difflib.SequenceMatcher(lambda x: x in ' 我的雪', str1,str2)
字符串长度比较函数ratio = seq.ratio()
print 'difflib similarity2: ', ratio
# 2. hamming距离，str1和str2长度必须⼀致，描述两个等长字串之间对应位置上不同字符的个数
# sim = Levenshtein.hamming(str1, str2)
# print 'hamming similarity: ', sim
# 3. 编辑距离，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
sim = Levenshtein.distance(str1, str2)
print 'Levenshtein similarity: ', sim
# 4.计算莱⽂斯坦⽐
sim = Levenshtein.ratio(str1, str2)
print 'Levenshtein.ratio similarity: ', sim
# 5.计算jaro距离
sim = Levenshtein.jaro(str1, str2 )
print 'Levenshtein.jaro similarity: ', sim
# 6. Jaro–Winkler距离
sim = Levenshtein.jaro_winkler(str1 , str2 )
print 'Levenshtein.jaro_winkler similarity: ', sim
输出：
difflib similarity1:  0.246575342466
difflib similarity2:  0.0821917808219
Levenshtein similarity:  33
Levenshtein.ratio similarity:  0.27397260274
Levenshtein.jaro similarity:  0.490208958959
Levenshtein.jaro_winkler similarity:  0.490208958959

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。