Python怎么计算编辑距离

这篇文章主要讲解了“Python怎么计算编辑距离”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Python怎么计算编辑距离”吧！

算法原理

在计算文本的相似性时，经常会用到编辑距离。编辑距离，又称Levenshtein距离，是指两个字串之间，由一个转成另一个所需的最少编辑操作次数。通常来说，编辑距离越小，两个文本的相似性越大。这里的编辑操作主要包括三种：

• 插入：将一个字符插入某个字符串；

• 删除：将字符串中的某个字符删除；

• 替换：将字符串中的某个字符替换为另外一个字符。

下面通过示例来看一下。

将字符串batyu变为beauty，编辑距离是多少呢？这需要经过如下步骤：

1、batyu变为beatyu（插入字符e）

2、beatyu变为beaty（删除字符u）

3、beaty变为beauty（插入字符u）

所以编辑距离为3。

那么，如何用Python计算编辑距离呢？我们可以从较为简单的情况进行分析。

• 当两个字符串都为空串，那么编辑距离为0；

• 当其中一个字符串为空串时，那么编辑距离为另一个非空字符串的长度；

• 当两个字符串均为非空时(长度分别为 i 和 j )，取以下三种情况最小值即可：

  1、长度分别为 i-1 和 j 的字符串的编辑距离已知，那么加1即可；

  2、长度分别为 i 和 j-1 的字符串的编辑距离已知，那么加1即可；

  3、长度分别为 i-1 和 j-1 的字符串的编辑距离已知，此时考虑两种情况，若第i个字符和第j个字符不同，那么加1即可；如果不同，那么不需要加1。

很明显，上述算法的思想即为动态规划。

求长度为m和n的字符串的编辑距离，首先定义函数——edit(i, j)，它表示第一个长度为i的字符串与第二个长度为j的字符串之间的编辑距离。动态规划表达式可以写为：

• if i == 0 且 j == 0，edit(i, j) = 0

• if （i == 0 且 j > 0 ）或者 （i > 0 且j == 0），edit(i, j) = i + j

• if i ≥ 1  且 j ≥ 1 ，edit(i, j) == min{ edit(i-1, j) + 1, edit(i, j-1) + 1, edit(i-1, j-1) + d(i, j) }，当第一个字符串的第i个字符不等于第二个字符串的第j个字符时，d(i, j) = 1；否则，d(i, j) = 0。

最终的编辑距离即为edit(m,n)。上述示例的edit矩阵可以表示如下：

Python代码实现

Talk is cheap. Show me the code. Python代码也是极其简洁的，这也是动态规划的魅力：

def editdistance(str1, str2):
    '''
    计算字符串str1和str2的编辑距离
    :param str1:
    :param str2:
    :return:
    '''
    edit = [[i + j for j in range(len(str2) + 1)] for i in range(len(str1) + 1)]

    for i in range(1, len(str1) + 1):
        for j in range(1, len(str2) + 1):

            if str1[i - 1] == str2[j - 1]:
                d = 0
            else:
                d = 1

            edit[i][j] = min(edit[i - 1][j] + 1, edit[i][j - 1] + 1, edit[i - 1][j - 1] + d)

    return edit[len(str1)][len(str2)]

扩展

那么，Python功能这么强大，有没有计算编辑距离的包呢？

答案是肯定的，Python中的Levenshtein包可以用来计算编辑距离，安装方法很简单，直接安装即可：

pip install python-Levenshtein

这样我们就可以引入包直接计算编辑距离了：

import Levenshtein

str1 = 'batyu'
str2 = 'beauty'
print(Levenshtein.distance(str1, str2))

那么，Levenshtein包中还有没有其它计算距离的方法呢？

这个包有很多计算距离的方法，包括如下：

• hamming(str1, str2)，计算长度相等的字符串str1和str2的汉明距离，即为两个等长字串之间对应位置上不同字符的个数。

• 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。注意这里是类编辑距离，在类编辑距离中删除、插入依然+1，但是替换+2。

• jaro(str1, str2)，jaro_winkler(str1, str2)等等。

总结

• 可以用动态规划算法求解字符串的编辑距离。

• PyPi包Levenshtein可以用来计算字符串的编辑距离，也可以计算其它类型的距离。

感谢各位的阅读，以上就是“Python怎么计算编辑距离”的内容了，经过本文的学习后，相信大家对Python怎么计算编辑距离这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是亿速云，小编将为大家推送更多相关知识点的文章，欢迎关注！