python比较两个字符串相似度,【Python】比较字符串相似度

字符串相似度应用场景:拼写纠错、文本去重、上下文相似性、不同来源数据对比等。

评价字符串相似度最常见的办法就是:把一个字符串通过插入、删除或替换这样的编辑操作,变成另外一个字符串,所需要的最少编辑次数,这种就是编辑距离(edit distance)度量方法,也称为Levenshtein距离。

方法1、difflib模块

1 # 优点:python自带模块,效率比较高

2 def similar_diff_ratio(str1, str2):

3 return difflib.SequenceMatcher(None, str1, str2).ratio()

4

5 # quick_ratio()比ratio()计算效率更高,计算结果一致

6 def similar_diff_qk_ratio(str1, str2):

7 return difflib.SequenceMatcher(None, str1, str2).quick_ratio()

8

9 # None参数是一个函数,用来去掉不需要比较的字符。比如,列表lst_str表示计算相似度时不需要比较的字符

10 def similar_diff_ratio_filter(lst_str, str1, str2):

11 return difflib.SequenceMatcher(lambda x: x in lst_str, str1, str2).ratio()

12

13 print(similar_diff_ratio("临安区中小企业创业基地", "临安区电子商务科技园"))

14 print(similar_diff_qk_ratio("临安区中小企业创业基地", "临安区电子商务科技园"))

15 # 有一点疑问,将不需要比较的字符加入后,相似度计算结果没变化,欢迎大佬留言解惑,谢谢!

16 lst_str = ['临安区', '创业', '为什么', '忽略', '某些字符之后', '相似度还是一致']

17 print(similar_diff_ratio_filter(lst_str, "临安区中小企业创业基地", "临安区电子商务科技园"))

0.2857142857142857

0.2857142857142857

0.2857142857142857

方法2、通过在长度较短的字符串末尾补充空格,将2个字符串处理成等长,然后从左至右比较同位置字符串

1 def similar_left(str1, str2):

2 str1 = str1 + ' ' * (len(str2) - len(str1))

3 str2 = str2 + ' ' * (len(str1) - len(str2))

4 return sum(1 if i == j else 0 for i, j in zip(str1, str2)) / float(len(str1))

5

6 print(similar_left("临安区中小企业创业基地", "临安区电子商务科技园"))

7 print(similar_left("临安区电子商务科技园", "园技科务商子电区安临"))

0.2727272727272727

0.0

方法3、Levenshtein模块

3.1、相似度

1 # 莱文斯坦比

2 def similar_lvst_ratio(str1, str2):

3 return Levenshtein.ratio(str1, str2)

4

5 # jaro距离

6 def similar_lvst_jaro(str1, str2):

7 return Levenshtein.jaro(str1, str2)

8

9 # Jaro–Winkler距离

10 def similar_lvst_winkler(str1, str2):

11 return Levenshtein.jaro_winkler(str1, str2)

12

13 print(similar_lvst_ratio("临安区中小企业创业基地", "临安区电子商务科技园"))

14 print(similar_lvst_jaro("临安区中小企业创业基地", "临安区电子商务科技园"))

15 print(similar_lvst_winkler("临安区中小企业创业基地", "临安区电子商务科技园"))

0.2857142857142857

0.5242424242424243

0.666969696969697

3.2、相似性度量

1 # distance编辑距离(也称为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。

2 def similar_lvst_distance(str1, str2):

3 return Levenshtein.distance(str1, str2)

4

5 # hamming汉明距离是编辑距离的一种特殊情况。 要求str1和str2必须长度一致,描述两个等长字串之间对应位置上不同字符的个数。

6 def similar_lvst_hamming(str1, str2):

7 return Levenshtein.hamming(str1, str2)

8

9 print(similar_lvst_distance("临安区中小企业创业基地", "临安区电子商务科技园"))

10 print(similar_lvst_hamming("临安区中小企业创业基地", "临安区电子商务科技园区"))

8

8

其他常用相似性度量方法还有 Jaccard distance、J-W距离(Jaro–Winkler distance)、余弦相似性(cosine similarity)、欧氏距离(Euclidean distance)等。

若想对以上方法有更深入研究,可参考大佬博客:https://www.cnblogs.com/wt869054461/p/5777782.html

标签:ratio,Python,str2,str1,print,相似,临安,字符串,similar

来源: https://www.cnblogs.com/hforevery0/p/14375286.html

参与评论 您还未登录,请先 登录 后发表或查看评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
©️2022 CSDN 皮肤主题:数字20 设计师:CSDN官方博客 返回首页
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、C币套餐、付费专栏及课程。

余额充值