最小编辑距离之Levenshtein distance

原理

编辑距离是用来计算一个字符串(s1)变为另一个字符串(s2)所用的最小编辑操作次数(edit distance)。

编辑距离有好几种计算方式wiki详细介绍，这里介绍的是Levenshtein distance，这种计算方法只包含三种操作：

• 替换(substitution)：将一个字符替换成另一个字符
• 插入(insertion)：插入一个字符
• 删除(deletion)：删除一个字符

举个栗子

比如： sduud转换为study

1. 替换：sduud -> stuud
2. 删除：stuud-> stu(u)d
3. 插入：stud -> study

字符串sduud经过三步操作转换为study，所以编辑距离就是3。

计算公式

一般采用表格来展示编辑距离的计算过程，表格中每个元素计算公式：
$$tab[i,j]=min(tab[i-1,j]+1,tab[i,j-1]+1,tab[i-1,j-1]+f(i,j))$$
其中，

• 当s1[i]==s2[j]时，f(i,j)=0；否则，f(i,j)=1。
• tab[i,j]表示的是表格中第i行，第j列所要填写的数字。
• 编辑距离就等于表格中右下角最后一个数字

我对这个公式的理解：表格中当前数=min(上边数+1，左边数+1，左上角数+f(i,j) )

图解计算过程

• 初始化表格第一行和第一列，这是为了解决字符串为空的情况，以及方便代码的实现。
  
• 根据公式计算表格中每个元素的结果，编辑距离就等于表格中右下角最后一个数字
  

实现代码

import numpy as np
def LevDistance(s1,s2):
    len1=len(s1)+1
    len2=len(s2)+1
    #生成空的表格，并初始化第一行和第一列
    tab = np.empty((len2,len1),dtype=np.int8)
    tab[0,:]= range(len1)
    tab[:,0]= range(len2)
    #循环得到表格中的每个元素
    for i in range(1,len2):
        for j in range(1,len1):
            fx=0 if s1[j-1]==s2[i-1] else 1
            # 就是这个公式
            tab[i,j] = min(tab[i-1,j]+1,tab[i,j-1]+1,tab[i-1,j-1]+fx)
    return tab[-1,-1]

执行代码：

s1 = "sduud"
s2 = "study"
LevDistance(s1,s2)

输出结果（可以看出，表格中显示的结果和输出结果一致）：

第三方库

import Levenshtein
Levenshtein.distance(s1,s2)

输出结果：

自己的理解，如有问题欢迎指正