python 编辑距离_最小编辑距离的两种python写法

最近项目需要做近似文本的对比，看到最小编辑距离能够一定程度来区分文本相似度，下面是两段代码：

def normal_leven(str1, str2):

len_str1 = len(str1) + 1

len_str2 = len(str2) + 1

# 创建矩阵

matrix = [0 for n in range(len_str1 * len_str2)]

# 矩阵的第一行

for i in range(len_str1):

matrix[i] = i

# 矩阵的第一列

for j in range(0, len(matrix), len_str1):

if j % len_str1 == 0:

matrix[j] = j // len_str1

# 根据状态转移方程逐步得到编辑距离

for i in range(1, len_str1):

for j in range(1, len_str2):

if str1[i - 1] == str2[j - 1]:

cost = 0

else:

cost = 1

matrix[j * len_str1 + i] = min(matrix[(j - 1) * len_str1 + i] + 1,

matrix[j * len_str1 + (i - 1)] + 1,

matrix[(j - 1) * len_str1 + (i - 1)] + cost)

return matrix[-1] # 返回矩阵的最后一个值，也就是编辑距离

str1='谁是谁的谁的谁'

str2='你爱我们谁的是'

a=normal_leven(str1, str2)

print(a)

另外一种简洁写法：

def edit(str1, str2):

matrix = [[i + j for j in range(len(str2) + 1)] for i in range(len(str1) + 1)]

for i in range(1, len(str1) + 1):

for j in range(1, len(str2) + 1):

if str1[i - 1] == str2[j - 1]:

d = 0

else:

d = 1

matrix[i][j] = min(matrix[i - 1][j] + 1, matrix[i][j - 1] + 1, matrix[i - 1][j - 1] + d)

return matrix[len(str1)][len(str2)]

a=edit('谁是谁的谁的谁','你爱我们谁的是')

print(a)

3、还有这篇博客写的代码也不错，地址如下：

http://qinxuye.me/article/get-edit-distance-by-dynamic-programming/

PS：最近在做word2vec和余弦相似度以及最小编辑距离的联合判别近义词问题，之前把最小编辑距离相似度定义为 edit_distance_similarity=1 - edit_distance / max(len(a), len(b)) 测试一直没有问题，直到发现python有自带的最小编辑距离包的时候测试一下才发现了问题。

首先看一下例子： import Levenshtein

str1 = '我们都是好孩子'

str2 = '天真的孩子都好'

edit_distance_similarity = 1 - a / max(len(str1), len(str2))#本公式计算出来的相似度

bb = Levenshtein.ratio(str1, str2)# Levenshtein计算出来的相似度 结果输出： edit_distance_similarity： 0.0

bb : 0.2857142857142857

看到了了吧，这里居然我用edit_distance_similarity 计算出来的相似度是0。而自带的软件包是0.28，从字面上我们也可以看到这两个句子是有一些相似的。

其实二者计算出来的distance是一致的，只是最后归结到近似度计算这是不同的。

所以放弃原来的代码，还是老老实实用python自带的包吧，因为他们想的肯定要比你全面，经过了很多次测试才提交的。

我们再来仔细看一下ratio的好处：

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所说的编辑距离，在编辑距离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。