【算法】编辑距离

编辑距离是一个很常见的文本相似匹配的算法（仅从字面意义上衡量）。

定义：对两个文本A和B，将A经过一下操作

• 插入一个字符
• 删除一个字符
• 替换一个字符

得到B，所使用的最少操作数。

下面以两个英文单词的编辑距离为例，来分析算法的求解思路：

对两个单词A和B有以下几种情况：

1. 对单词 A 删除一个字符和对单词 B 插入一个字符是等价的。例如当单词 A 为 doge，单词 B 为 dog 时，我们既可以删除单词 A 的最后一个字符 e，得到相同的 dog，也可以在单词 B 末尾添加一个字符 e，得到相同的 doge；
2. 同理，对单词 B 删除一个字符和对单词 A 插入一个字符也是等价的；
3. 对单词 A 替换一个字符和对单词 B 替换一个字符是等价的。例如当单词 A 为 bat，单词 B 为 cat 时，我们修改单词 A 的第一个字母 b -> c，和修改单词 B 的第一个字母 c -> b 是等价的。

因此，在两个单词之间操作，最终可以归纳到三种操作：

1. 在单词 A 中插入一个字符：如果我们知道 horse 到 ro 的编辑距离为 a，那么显然 horse 到 ros 的编辑距离不会超过 a + 1。这是因为我们可以在 a 次操作后将 horse 和 ro 变为相同的字符串，只需要额外的 1 次操作，在单词 A 的末尾添加字符 s，就能在 a + 1 次操作后将 horse 和 ro 变为相同的字符串；
2. 在单词 B 中插入一个字符：如果我们知道 hors 到 ros 的编辑距离为 b，那么显然 horse 到 ros 的编辑距离不会超过 b + 1，原因同上；
3. 修改单词 A 的一个字符：如果我们知道 hors 到 ro 的编辑距离为 c，那么显然 horse 到 ros 的编辑距离不会超过 c + 1，原因同上。

那么从 horse 变成 ros 的编辑距离应该为 min(a + 1, b + 1, c + 1)。

注意：为什么我们总是在单词 A 和 B 的末尾插入或者修改字符，能不能在其它的地方进行操作呢？答案是可以的，但是我们知道，操作的顺序是不影响最终的结果的。例如对于单词 cat，我们希望在 c 和 a 之间添加字符 d 并且将字符 t 修改为字符 b，那么这两个操作无论为什么顺序，都会得到最终的结果 cdab。

而上面的分析中的编辑距离a和b，可以继续往前推导，利用最初状态求解，即从空字符串转换到一个非空字符串的距离。如：

• 字符串 A 为空，字符串B为ro，则从A 转换到B，显然编辑距离为字符串 B 的长度，这里是 2；
• 字符串 A 为horse，字符串 B 为空，如从A转换到B，显然编辑距离为字符串 A 的长度，这里是 5。

因此，我们就可以使用动态规划来解决这个问题了。我们用$D[i][j]$表示 A 的前$i$个字母和 B 的前$j$个字母之间的编辑距离。其结果计算如下：

• $D[i][j-1]$ 为A的前 $i$ 个字符和 B 的前$j-1$ 个字符编辑距离的子问题。即对于 B 的第 $j$ 个字符，我们在 A 的末尾添加了一个相同的字符，那么 $D[i][j]$ 最小可以为 $D[i][j-1]+1$；
• $D[i-1][j]$ 为 A 的前 $i-1$ 个字符和 B 的前$j$ 个字符编辑距离的子问题。即对于 A 的第 $i$ 个字符，我们在 B 的末尾添加了一个相同的字符，那么 $D[i][j]$ 最小可以为 $D[i-1][j]+1$；
• $D[i-1][j-1]$ 为 A 前 $i-1$ 个字符和 B 的前 $j-1$ 个字符编辑距离的子问题。即对于 B 的第 $j$ 个字符，我们修改 A 的第 $i$ 个字符使它们相同，那么 $D[i][j]$ 最小可以为 $D[i-1][j-1]+1$。特别地，如果 A 的第 $i$ 个字符和 B 的第 $j$个字符原本就相同，那么我们实际上不需要进行修改操作。在这种情况下，$D[i][j]$ 最小可以为 $D[i-1][j-1]$。

最后可以得到状态转移方程：

1. 若 A 和 B 的最后一个字母相同：$$D[i][j]=min(D[i][j-1]+1,D[i-1][j]+1,D[i-1][j-1])$$
2. 若 A 和 B 的最后一个字母不同：$$D[i][j]=1+min(D[i][j-1],D[i-1][j],D[i-1][j-1])$$

代码实现：

def minDistance(str1, str2):
	m, n = len(str1), len(str2)
	if m * n == 0:
		return 0
	dp = [[0 for _ in range(n+1)] for _ in range(m+1)]
	for i in range(1, m+1):
		dp[i][0] = i
	for i in range(1, n+1):
		dp[0][i] = i
	for i in range(1, m+1):
		for j in range(1, n+1):
			if str[i-1] == str2[j-1]:
				dp[i]][j] = min(dp[i-1][j]+1, dp[i][j-1]+1, dp[i-1][j-1])
			else:
				dp[i]][j] = min(dp[i-1][j], dp[i][j-1], dp[i-1][j-1]) + 1
	return dp[m][n]