编辑距离是对两个字符串差异化的量化,其含义是将一个字符串转化为另一个字符串所需的最少操作次数,允许的编辑操作包括将一个字符替换为另一个字符,插入一个字符,删除一个字符。编辑距离可用在自然语言处理中,用于计算两个文本之间的相似度。
算法的基本原理:对于字符串a[1:i]和字符串b[1:j]来说,用edit[i][j]表示它们间的编辑距离。
如果a[i]和b[j]相同,则edit[i][j]=edit[i-1][j-1]。
如果a[i]和b[j]不相同,则有如下情况:
1) a[1:i]经过多次操作转化为b[1:j-1],然后再在结尾插入字符b[j]即可,edit[i][j]=edit[i][j-1]+1;
2)a[1:i-1]经过多次操作转化为b[1:j],然后再将字符a[i]删除即可,edit[i][j]=edit[i-1][j]+1;
3)a[1:i-1]经过多次操作转化为b[1:j-1],然后再将字符a[i]替换为b[j]即可,edit[i][j]=edit[i-1][j-1]+1。
在这三种情况中取最小值即可。其中edit[0][j]表示将空串转为b[1:j]的操作次数,为j;edit[i][0]表示将a[1:i]转为空串的操作次数,为i。
核心思想:看到这里,应该明白了这是一个动态规划(dynamic programming)问题。动态规划是一种通过求子问题的最优解,从而求得原问题的最优解的方法。其中子问题称为状态,由子问题推出原问题的解称为状态转移方程。这是动态规划算法的核心。
在本问题中,状态定义为求edit[i][j]这样一个二维数组,而上述的多个求解edit[i][j]的公式则为状态转移方程。
该问题的动态规划方程可表示如下:
相似度计算:求出两个字符串a,b间的编辑距离edit(a,b)后,字符串a和字符串b的相似即可这样计算:
代码实现:
class LevenshteinDistance(object):
def distance(self, a, b):
"""
计算字符串a和b之间的编辑距离
"""
edit = [[0 for j in range(len(b) + 1)] for i in range(len(a) + 1)]
for i in range(len(a)):
edit[i + 1][0] = i + 1
for j in range(len(b)):
edit[0][j + 1] = j + 1
for i in range(len(a) + 1)[1:]:
for j in range(len(b) + 1)[1:]:
flag = b[j - 1] == a[i - 1]
num = 0 if flag else 1
edit[i][j] = min(edit[i - 1][j] + 1, edit[i][j - 1] + 1, edit[i - 1][j - 1] + num)
return edit[-1][-1]
def similarity(self, a, b):
"""
计算字符串a和b之间的相似度
"""
m = max(len(a), len(b))
d = self.distance(a, b)
return (m - d) / m
测试用例:
if __name__ == '__main__':
edit = LevenshteinDistance()
print(edit.distance('kitten', 'sitting'))
print(edit.similarity('kitten', 'sitting'))
结果为:
3
0.5714285714285714