转:https://www.jianshu.com/p/a617d20162cf
概述
编辑距离(Minimum Edit Distance,MED),由俄罗斯科学家 Vladimir Levenshtein 在1965年提出,也因此而得名 Levenshtein Distance。
在信息论、语言学和计算机科学领域,Levenshtein Distance 是用来度量两个序列相似程度的指标。通俗地来讲,编辑距离指的是在两个单词 < w 1 , w 2 > <w_1, w_2> <w1,w2>之间,由其中一个单词 w 1 w_1 w1转换为另一个单词 w 2 w_2 w2所需要的最少单字符编辑操作次数。
在这里定义的单字符编辑操作有且仅有三种:
- 插入(Insertion)
- 删除(Deletion)
- 替换(Substitution)
形式化定义
假设有俩个字符串str1和str2,如果两个字符串首位的字符有相等的情况的话,比如首字符相等,那么这两个字符串的编辑距离就等于"str1[1:]和str2[1:]"的编辑距离;如果首位不存在相等的情况,那么这个位置必然对最终编辑距离的产生影响,即编辑距离等于"str1[1:]和str2"或者"str2[1:]和str1"中编辑距离的最小者加1。这就形成了一个递推关系,公式如下
l e v a , b ( i , j ) = { m a x { i , j } , i f m i n { i , j } = 0 m i n { l e v a , b ( i − 1 , j ) + 1 l e v a , b ( i , j − 1 ) + 1 l e v a , b ( i − 1 , j − 1 ) + 1 ( a i ≠ b i ) o t h e r w i s e . lev_{a,b}(i,j)= \begin{cases} max\{i,j\},\quad if \quad min\{i,j\}=0 \\ min \begin{cases} lev_{a,b}(i-1,j) + 1 \\ lev_{a,b}(i,j-1) + 1 \\ lev_{a,b}(i-1,j-1)+1_{(a_i \neq b_i)} \end{cases} \quad otherwise. \end{cases} leva,b(i,j)=⎩ ⎨ ⎧max{i,j},ifmin{i,j}=0min⎩ ⎨ ⎧leva,b(i−1,j)+1leva,b(i,j−1)+1leva,b(i−1,j−1)+1(ai=bi)otherwise.
a,b表示字符串,i,j是长度
l e v a , b ( i − 1 , j ) + 1 lev_{a,b}(i-1,j) + 1 leva,b(i−1,j)+1 表示删除 a i a_i ai
l e v a , b ( i , j − 1 ) + 1 lev_{a,b}(i,j-1) + 1 leva,b(i,j−1)+1 表示删除 b j b_j bj
l e v a , b ( i − 1 , j − 1 ) + I ( a i ≠ b i ) lev_{a,b}(i-1,j-1)+I_{(a_i \neq b_i)} leva,b(i−1,j−1)+I(ai=bi)表示替换 b j b_j bj
I ( a i ≠ b i ) I_{(a_i \neq b_i)} I(ai=bi) 为一个指示函数。相等时等于0,不相等时等于1.
两个字符串删除和插入是等价的,即a串(dogs)的删除和b串(dog)插入是等价的,替换也是等价的(bat, cat)。
问题能够分解成子问题的形式。想到:自顶向下的递归和自底向上的动态规划
动态规划方法通常需要初始化一个矩阵来记录各个子问题。
以 xxc和 xyz 为例,建立一个矩阵,通过矩阵记录计算好的距离:
初始化矩阵的第一行和第一列:
推导第二行
直到最后完成
动态规划算法实现
def Levenshtein_Distance(x1, x2):
#初始化矩阵, 第一行和第一列是正确值
matrix = [[i+j for i in range(len(x2)+1)] for j in range(len(x1)+1)]
#从第二行第二列开始更新矩阵
for i in range(1, len(x1) + 1):
for j in range(1, len(x2) + 1):
if x1[i-1] == x2[j-1]:
t = 0
else:
t = 1
matrix[i][j] = min(matrix[i-1][j] + t, matrix[i][j-1] + t, matrix[i-1][j-1] + t)
return matrix[len(x1)][len(x2)]