Python中字符串相似对比

import difflib
query_str = '北京市海淀区'
s1 = '北京市海淀回'  
s2 = '北京城海淀区'  
s3 = '北京城海淀回'  
print(difflib.SequenceMatcher(None, query_str, s1).quick_ratio())    
print(difflib.SequenceMatcher(None, query_str, s2).quick_ratio())    
print(difflib.SequenceMatcher(None, query_str, s3).quick_ratio())

输出为:

0.8333333333333334
0.8333333333333334
0.6666666666666666

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
Python字符串相似性的度量方法有多种,下面将详细介绍几种常用的方法。 1. 编辑距离(Edit Distance): 编辑距离衡量的是两个字符串之间的最小操作次数,以使它们相互转化。操作包括插入、删除和替换字符。编辑距离越小,表示两个字符串相似。 2. 余弦相似度(Cosine Similarity): 余弦相似度将字符串看作向量空间的向量,并计算它们之间的夹角。计算方法是将字符串转化为词频向量,然后通过计算两个向量之间的夹角来衡量字符串相似程度。余弦相似度的取值范围在[-1, 1]之间,越接近1表示相似度越高。 3. Jaccard相似性系数(Jaccard Similarity Coefficient): Jaccard相似性系数用于比较两个字符串相似性。计算方法是将字符串看作集合,通过计算它们的交集和并集的比值来衡量相似性。Jaccard相似性系数的取值范围在[0, 1]之间,越接近1表示相似度越高。 4. Levenshtein距离(Levenshtein Distance): Levenshtein距离是编辑距离的一种具体实现,用于衡量字符串之间的差异。计算方法包括插入、删除和替换字符,目标是通过最少的操作次数将一个字符串转化为另一个字符串。Levenshtein距离越小,表示两个字符串相似。 5. 字符串相似性度量方法还有很多,例如Hamming距离、汉明窗口距离、n-gram方法等。每种方法都有不同的计算方式和适用范围,根据具体情况选择合适的方法进行字符串相似性度量。 总而言之,Python提供了多种度量方法来评估字符串相似性,可以根据具体需求选择适合的方法进行应用。这些方法可以在文本处理、字符串对比、模式匹配等领域发挥重要作用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

上园村蜻蜓队长

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值