动态规划之——莱文斯坦距离和最长公共子序列

1. 如何衡量字符串的相似性

如何量化两个字符串之间的相似性呢？我们可以用编辑距离，也就是将一个字符串通过增、删、替换字符转化成另一个字符串需要的最少编辑次数。编辑距离越小，说明两个字符串越相似。

其中，莱文斯坦距离允许增、删和替换操作，表示两个字符串差异的大小；最长公共子序列只允许增删操作，表示两个字符串相似程度的大小。下面的例子中莱文斯坦距离为 3，最长公共子序列为 4。

2. 莱文斯坦距离

对于两个字符串 s 和 t，当 $s[i]==t[j]$ 时，我们继续考察 s[i+1] 和 t[j+1]；当 $s[i]!=t[j]$ 时，我们有下述选择：

• 删除 s[i] 或者在 t 中增加一个与 s[i] 相同的字符， 继续考察 s[i+1] 和 t[j]；
• 删除 t[j] 或者在 s 中增加一个与 t[j] 相同的字符， 继续考察 s[i] 和 t[j+1]；
• 替换 s[i] 为 t[j] 或者 t[j] 为 s[i]， 继续考察 s[i+1] 和 t[j+1]；

我们定义 edist[i][j] 表示子串 s[0, i] 与 t[0, j] 的最小编辑距离，那么由上面的分析可知，edist[i][j] 可以由 edist[i-1][j]、edist[i][j-1] 和 edist[i-1][j-1] 这三个状态转化而来。

当 edist[i][j] 由 edist[i-1][j] 转化而来的时候，我们只能通过删除 s[i] 或者在 t 中增加一个与 s[i] 相同的字符，那么编辑距离一定增 1。
当 edist[i][j] 由 edist[i][j-1] 转化而来的时候，我们只能通过删除 t[j] 或者在 s 中增加一个与 t[j] 相同的字符，那么编辑距离一定增 1。
当 edist[i][j] 由 edist[i-1][j-1] 转化而来的时候，如果 $s[i]==t[j]$，编辑距离保持不变；如果 $s[i]!=t[j]$，我们只能替换 s[i] 为 t[j] 或者 t[j] 为 s[i]，编辑距增 1。

最终的 edist[i][j] 取这三者中最小的一个即可，所以我们有：

$$edist[i][j]=\{\begin{array}{ll}min(edist[i-1][j]+1,edist[i][j-1]+1,edist[i-1][j-1])& \text{如果 }s[i]==t[j]\\ min(edist[i-1][j]+1,edist[i][j-1]+1,edist[i-1][j-1]+1)& \text{如果 }s[i]!=t[j]\end{array}$$

import numpy as np

s = 'mitcmu'
t = 'mtacnu'


def lwst_edit_dis(s, t):

    m = len(s)
    n = len(t)
    edist = np.ones((m, n), 'uint8')
    # 初始化 s[0] 与 t[0, i] 的编辑距离
    for i in range(0, n):
        if s[0] == t[i]:
            edist[0][i] = i
        elif i != 0:
            edist[0][i] = edist[0][i-1] + 1
        else:
            edist[0][i] = 1
    # 初始化 s[0, i] 与 t[0] 的编辑距离
    for i in range(0, m):
        if s[i] == t[0]:
            edist[i][0] = i
        elif i != 0:
            edist[i][0] = edist[i-1][0] + 1
        else:
            edist[i][0] = 1

    for i in range(1, m):
        for j in range(1, n):
            temp = min(edist[i-1][j], edist[i][j-1]) + 1
            if s[i] == t[j]:
                edist[i][j] = min(temp, edist[i-1][j-1])
            else:
                edist[i][j] = min(temp, edist[i-1][j-1]+1)

    print(edist)
    return edist[m-1][n-1]


print(lwst_edit_dis(s, t))

3. 最长公共子序列

最长公共子序列只允许增删两种操作。对于两个字符串 s 和 t，当 $s[i]==t[j]$ 时，最长公共子序列长度加 1，我们继续考察 s[i+1] 和 t[j+1]；当 $s[i]!=t[j]$ 时，最长公共子序列长度不变，我们有下述选择：

• 删除 s[i] 或者在 t 中增加一个与 s[i] 相同的字符， 继续考察 s[i+1] 和 t[j]；
• 删除 t[j] 或者在 s 中增加一个与 t[j] 相同的字符， 继续考察 s[i] 和 t[j+1]；

我们定义 lcs[i][j] 表示子串 s[0, i] 与 t[0, j] 的最长公共子序列长度，那么由上面的分析可知，lcs[i][j] 可以由 lcs[i-1][j]、lcs[i][j-1] 和 lcs[i-1][j-1] 这三个状态转化而来。

当 lcs[i][j] 由 lcs[i-1][j] 转化而来的时候，我们只能通过删除 s[i] 或者在 t 中增加一个与 s[i] 相同的字符，最长公共子序列长度保持不变。
当 lcs[i][j] 由 lcs[i][j-1] 转化而来的时候，我们只能通过删除 t[j] 或者在 s 中增加一个与 t[j] 相同的字符，最长公共子序列长度保持不变。
当 lcs[i][j] 由 lcs[i-1][j-1] 转化而来的时候，如果 $s[i]==t[j]$，最长公共子序列长度加 1；如果 $s[i]!=t[j]$，我们只能替换 s[i] 为 t[j] 或者 t[j] 为 s[i]，最长公共子序列长度保持不变。

最终的 lcs[i][j] 取这三者中最大的一个即可，所以我们有：

$$lcs[i][j]=\{\begin{array}{ll}max(lcs[i-1][j],lcs[i][j-1],lcs[i-1][j-1]+1)& \text{如果 }s[i]==t[j]\\ max(lcs[i-1][j],lcs[i][j-1],lcs[i-1][j-1])& \text{如果 }s[i]!=t[j]\end{array}$$

import numpy as np

s = 'mitcmu'
t = 'mtacnu'


def longest_commom_subsequence(s, t):

    m = len(s)
    n = len(t)
    lcs = np.ones((m, n), 'uint8')

    for i in range(0, n):
        if s[0] == t[i]:
            lcs[0][i] = 1
        elif i != 0:
            lcs[0][i] = lcs[0][i-1]
        else:
            lcs[0][i] = 0

    for i in range(0, m):
        if s[i] == t[0]:
            lcs[i][0] = 1
        elif i != 0:
            lcs[i][0] = lcs[i-1][0]
        else:
            lcs[i][0] = 0

    for i in range(1, m):
        for j in range(1, n):
            temp = max(lcs[i-1][j], lcs[i][j-1])
            if s[i] == t[j]:
                lcs[i][j] = max(temp, lcs[i-1][j-1]+1)
            else:
                lcs[i][j] = max(temp, lcs[i-1][j-1])

    print(lcs)
    return lcs[m-1][n-1]


print(longest_commom_subsequence(s, t))

获取更多精彩，请关注「seniusen」!