Python中相似度对比-difflib模块

计算两个字符串的相似度

应用场景：拼写纠错、文本去重、上下文相似性、不同来源数据对比

python中有比较相似度的模块 difflib，相关函数为difflib.SequenceMatcher().quick_ratio()

说明：difflib库的SequenceMatcher类的quick_ratio()方法，其功能为比较文本的距离，并把结果量化成[0,1]之间，相同的时候返回1，没有相同片段返回0。

语法：SequenceMatcher(None,s1,s2).quick_ratio()

（1）None参数是一个函数，用来去掉不需要比较的字符。

（2）s1,s2参数为两个需要计算相似度的字符串。

（3）函数返回值在0-1之间，如果为1则认为完全相等。

（4）quick_ratio()方法，计算公式如下：

        计算所有匹配片段的长度之和T(区别于最大匹配长度），匹配度等于 

例如：s1 = 'abcdlijkfg'

           s2 = 'abcdefgm'

s1和s2可匹配的最大长度为 4，而所有匹配片段的长度之和T为 5

下面是例子:

import difflib
"""
计算两个字符串的相似度
输入：s1,s2 字符串
输出: 浮点型相似度
"""
def string_similar(s1, s2):
    return difflib.SequenceMatcher(None, s1, s2).quick_ratio()

print(string_similar('我在中国人民大学', '我在人民大学'))
print(string_similar('我在人民大学', '我在中国人民大学'))
print(string_similar('我在人民大学中国', '我在中国人民大学'))
m1= '我在中国人民大学'
m2='我在北京中国人民大学'


s_num=string_similar(m1,m2)

if s_num>0.8:
    lenS1 = len(m1)
    lenS2 = len(m2)
    if lenS1>lenS2:
        print(m1)
    else:
        print(m2)

运行结果：
0.8571428571428571
0.8571428571428571
1.0
我在北京中国人民大学