[python] Levenshtein包与rapidfuzz包计算字符串编辑距离与相似度

1. Levenshtein包

1.1 计算编辑距离

三类编辑动作{替换, 删除, 插入}的cost均为1。
它等价于公式 $d=len(str1)+len(str2)-samelen(str1,str2)$。

>>> import Levenshtein
>>> Levenshtein.distance('lewenstein', 'levenshtein')
2 # w->v, ∅->h

1.2. 计算相似度

不同于1.1，此处编辑动作{删除, 插入}的cost仍为1、但{替换}的cost为2。分母是两个字符串长度之和，相似度的分子是两个字符串长度之和减去编辑动作cost之和。
它等价于公式 $sim=1-\Sigma (cost)/\Sigma (len)$。

>>> Levenshtein.ratio('lewenstein', 'levenshtein')
0.8571 # w->v, ∅->h # 1-(2+1)/(10+11)

2. rapidfuzz包

2.1 Indel

• 计算编辑距离
  编辑动作{删除, 插入}的cost为1，{替换}的cost为2。

>>> from rapidfuzz.distance import Indel
>>> Indel.distance('lewenstein', 'levenshtein')
3

• 计算相似度
  编辑动作{删除, 插入}的cost为1，{替换}的cost为2。分母是两个字符串长度之和，相似度的分子是两个字符串长度之和减去编辑动作cost之和。
  它与1.2的Levenshtein.ratio公式相同。

>>> Indel.normalized_similarity('lewenstein', 'levenshtein')
0.8571 # 1-3/(11+10)

2.2 Levenshtein

• 计算编辑距离
  三类编辑动作{替换, 删除, 插入}的cost均为1。
  它与1.1的Levenshtein.distance公式相同。

>>> from rapidfuzz.distance import Levenshtein
>>> Levenshtein.distance('lewenstein', 'levenshtein')
2

• 计算相似度
  三类编辑动作{替换, 删除, 插入}的cost均为1。分母是两个字符串长度较大值，相似度的分子是两个字符串长度较大值减去编辑动作cost之和。

>>> Levenshtein.normalized_similarity('lewenstein', 'levenshtein')
0.8182 # 1- 2/11