python编辑距离edit distance_编辑距离（Edit Distance）算法理论

Refrence: Dynamic Programming Algorithm (DPA) for Edit-Distance

编辑距离

关于两个字符串s1,s2的差别，可以通过计算他们的最小编辑距离来决定。

所谓的编辑距离:让s1和s2变成相同字符串需要下面操作的最小次数。

1.把某个字符ch1变成ch2

2.删除某个字符

3.插入某个字符

例如s1 = “12433”和s2=”1233”;

则可以通过在s2中间插入4得到12433与s1一致。

即d(s1,s2) = 1 (进行了一次插入操作)

编辑距离的性质

计算两个字符串s1+ch1, s2+ch2的编辑距离有这样的性质:

1.d(s1,””) = d(“”,s1) = |s1|d(“ch1”,”ch2”) = ch1 == ch2 ? 0 : 1;

2.d(s1+ch1,s2+ch2) = min( d(s1,s2)+ ch1==ch2 ? 0 : 1 ,

d(s1+ch1,s2)+1,

d(s1,s2+ch2)+1);

第一个性质是显然的。

第二个性质:由于我们定义的三个操作来作为编辑距离的一种衡量方法。

于是对ch1,ch2可能的操作只有

1.把ch1变成ch2

2.s1+ch1后删除ch1d = (1+d(s1,s2+ch2))

3.s1+ch1后插入ch2d = (1 + d(s1+ch1,s2))

对于2和3的操作可以等价于:

_2.s2+ch2后添加ch1d=(1+d(s1,s2+ch2))

_3.s2+ch2后删除ch2d=(1+d(s1+ch1,s2))

因此可以得到计算编辑距离的性质2。

复杂度分析

从上面性质2可以看出计算过程呈现这样的一种结构(假设各个层用当前计算的串长度标记，并假设两个串长度都为n )

可以看到，该问题的复杂度为指数级别3的n次方，对于较长的串，时间上是无法让人忍受的。

分析:在上面的结构中，我们发现多次出现了(n-1,n-1), (n-1,n-2)……。换句话说该结构具有重叠子问题。再加上前面性质2所具有的最优子结构。符合动态规划算法基本要素。因此可以使用动态规划算法把复杂度降低到多项式级别。

动态规划求解

首先为了避免重复计算子问题，添加两个辅助数组。

一.保存子问题结果。

M[ |s1| ,|s2| ] ,其中M[ i , j ]表示子串s1(0->i)与s2(0->j)的编辑距离

二.保存字符之间的编辑距离.

E[ |s1|, |s2| ] ,其中E[ i, j ] = s[i] = s[j] ? 0 : 1

三.新的计算表达式

根据性质