字符串的相似性比较应用场合很多,像拼写纠错、文本去重、上下文相似性等,判断2个文字列的相似度的多少,合理使用的话就可以实现Google、百度等搜索引擎中的 ‘你是不是要找‘XX’’ 的功能了。
字符串相似度最常见的办法就是:把一个字符串通过插入、删除或替换为另一个字符串,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。海明距离是编辑距离的一种特殊情况,只计算等长情况下替换操作的编辑次数,只能应用于两个等长字符串间的距离度量。其他常用的度量方法还有 Jaccard distance、J-W距离(Jaro–Winkler distance)、余弦相似性(cosine similarity)、欧氏距离(Euclidean distance)等
import difflib
import Levenshtein
str1 = "未来资金还款来源主要包括上市公司分红"
str2 = "未来还款资金来源主要包括个人日常收入"
# 1. difflib
seq = difflib.SequenceMatcher(None, str1, str2)
ratio = seq.ratio()
print('difflib similarity1: ', ratio)
#返回的结果超过0.6就算很相似。目前做近义词词典就是借助相似度自动化来实现。
# difflib 去掉列表中不需要比较的字符
seq = difflib.SequenceMatcher(lambda x: x in '主要', str1, str2)
ratio = seq.ratio()
print('difflib similarity2: ',