Python Levenshtein 计算文本之间的距离

莱文斯坦距离，又称Levenshtein距离，是编辑距离的一种。 指两个字串之間，由一个转成另一个所需的最少编辑操作次数。 允许的编辑操作包括将一个字符替换成另一个字符，插入一个字符，刪除一个字符。

GitHub 提供了计算莱文斯坦距离的包。
安装方法：

• pip install python-Levenshtein
• https://www.lfd.uci.edu/~gohlke/pythonlibs/ 里面查找python-Levenshtein.xxx.whl 离线安装

用法：

1. Levenshtein.hamming(str1, str2)
   计算汉明距离。要求str1和str2必须长度一致。是描述两个等长字串之间对应位置上不同字符的个数。如

>>> Levenshtein.hamming('hello', 'world')
4
>>> Levenshtein.hamming('abc', 'abd')
1

2. Levenshtein.distance(str1, str2)
   计算编辑距离（也成Levenshtein距离）。是描述由一个字串转化成另一个字串最少的操作次数，在其中的操作包括插入、删除、替换。如

>>> Levenshtein.distance('hello', 'world')
4
>>> Levenshtein.distance('abc', 'abd')
1
>>> Levenshtein.distance('abc', 'aecfaf')
4

3. Levenshtein.ratio(str1, str2)
   计算莱文斯坦比。计算公式 r = (sum - ldist) / sum, 其中sum是指str1 和 str2 字串的长度总和，ldist是类编辑距离
注意：这里的类编辑距离不是2中所说的编辑距离，2中三种操作中每个操作+1，而在此处，删除、插入依然+1，但是替换+2
   这样设计的目的：ratio('a', 'c')，sum=2,按2中计算为（2-1）/2 = 0.5,’a’,'c’没有重合，显然不合算，但是替换操作+2，就可以解决这个问题。

>>> Levenshtein.ratio('hello', 'world')
0.2
>>> Levenshtein.ratio('abc', 'abd')
0.6666666666666666
>>> Levenshtein.ratio('abc', 'aecfaf')
0.4444444444444444

4. Levenshtein.jaro(s1, s2)
   计算jaro距离，$d_j=\{\begin{array}{cc}0& ifm=0\\ \frac{1}{3}\left(\frac{m}{|s_1|}+\frac{m}{|s_2|}+\frac{m-t}{m}\right)& otheerwise\end{array}$
   其中m为$s_1$，$s_2$的匹配长度，当位置的认为匹配当该位置字符相同，或者在不超过$\lfloor \frac{max\left(|s_1|,|s_2|\right)}{2}\rfloor -1$
   t是调换次数的一半

>>> Levenshtein.jaro('hello', 'world')
0.43333333333333335
>>> Levenshtein.jaro('abc', 'abd')
0.7777777777777777
>>> Levenshtein.jaro('abc', 'aecfaf')
0.6666666666666666

5. Levenshtein.jaro_winkler(s1, s2)
   计算Jaro–Winkler距离$d_w=d_j+(lp(1-d_j))$

>>> Levenshtein.jaro_winkler('hello', 'world')
0.43333333333333335
>>> Levenshtein.jaro_winkler('abc', 'abd')
0.8222222222222222
>>> Levenshtein.jaro_winkler('abc', 'aecfaf')
0.7

参考：

1. PYPI
2. GitHub
3. python-Levenshtein几个计算字串相似度的函数解析
4. 人工智能自动组方实习笔记5—中医数据预处理流程