计算字符串的相似度

#CSD means CalculateStringDistance
def CSD(StrA,ABegin,AEnd,StrB,BBegin,BEnd):
    global Memory
    if ABegin > AEnd:
        if BBegin > BEnd:
            return 0 # StrA and StrB are all empty
        else:
            return BEnd-BBegin+1 #return StrB's len
    if BBegin > BEnd:
        if ABegin > AEnd:
            return 0
        else:
            return AEnd-ABegin+1

    if StrA[ABegin]==StrB[BBegin]:
        return CSD(StrA,ABegin+1,AEnd,StrB,BBegin+1,BEnd)
    else:
        #avoid excess computing
        if Memory[ABegin][BBegin+1] != -1:
            t1=Memory[ABegin][BBegin+1]
        else:
            t1=CSD(StrA,ABegin,AEnd,StrB,BBegin+1,BEnd)
            Memory[ABegin][BBegin+1]=t1
            
        if Memory[ABegin+1][BBegin] != -1:
            t2=Memory[ABegin][BBegin+1]
        else:
            t2=CSD(StrA,ABegin+1,AEnd,StrB,BBegin,BEnd)
            Memory[ABegin][BBegin+1]=t2
            
        if Memory[ABegin+1][BBegin+1] != -1:
            t3=Memory[ABegin+1][BBegin+1]
        else:
            t3=CSD(StrA,ABegin+1,AEnd,StrB,BBegin+1,BEnd)
            Memory[ABegin][BBegin+1]=t3

        
        """t1=CBD(StrA,ABegin,AEnd,StrB,BBegin+1,BEnd) #delete
        t2=CBD(StrA,ABegin+1,AEnd,StrB,BBegin,BEnd) #delete
        t3=CBD(StrA,ABegin+1,AEnd,StrB,BBegin+1,BEnd) #modify"""
        return min(t1,t2,t3)+1

#test
StrA="tieba"
StrB="iba"
ABegin=0
AEnd=len(StrA)-1
BBegin=0
BEnd=len(StrB)-1

Memory=[[(-1) for col in range(BBegin,BEnd+3)] for row in range(ABegin,AEnd+3)] #set bigger to avoid IndexError

print(CSD(StrA,ABegin,AEnd,StrB,BBegin,BEnd))










        
        
    
    

Java中可以通过编写Levenshtein Distance算法来计算字符串相似度。以下是一个基于动态规划的实现示例代码: ```java public class LevenshteinDistance { public static int calculate(String s1, String s2) { int[][] distance = new int[s1.length() + 1][s2.length() + 1]; for (int i = 0; i <= s1.length(); i++) { distance[i][0] = i; } for (int j = 1; j <= s2.length(); j++) { distance[0][j] = j; } for (int i = 1; i <= s1.length(); i++) { for (int j = 1; j <= s2.length(); j++) { int cost = s1.charAt(i - 1) == s2.charAt(j - 1) ? 0 : 1; distance[i][j] = Math.min(Math.min(distance[i - 1][j] + 1, distance[i][j - 1] + 1), distance[i - 1][j - 1] + cost); } } return distance[s1.length()][s2.length()]; } } ``` 在上述代码中,我们首先定义一个二维数组distance,用于存储字符串s1和s2之间的编辑距离。然后,我们初始化distance数组的第一行和第一列。接着,我们通过两个嵌套的循环遍历distance数组,计算编辑距离。最后,我们返回distance数组的最后一个元素,即s1和s2之间的编辑距离。 可以通过以下方式调用LevenshteinDistance类中的calculate方法来计算两个字符串之间的编辑距离: ```java String s1 = "kitten"; String s2 = "sitting"; int distance = LevenshteinDistance.calculate(s1, s2); System.out.println("编辑距离为:" + distance); ``` 运行结果为: ``` 编辑距离为:3 ``` 这表明,将字符串"kitten"转变成字符串"sitting"所需的最少操作次数为3。
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
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