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。
评价字符串相似度最常见的办法就是:把一个字符串通过插入、删除或替换这样的编辑操作,变成另外一个字符串,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。
python-Levenshtein 使用
使用 pip install python-Levenshtein 指令安装 Levenshtein
# -*- coding: utf-8 -*- import difflib # import jieba import Levenshtein str1 = "我的骨骼雪白 也长不出青稞" str2 = "雪的日子 我只想到雪中去si" # 1. difflib seq = difflib.SequenceMatcher(None, str1,str2) ratio = seq.ratio() print 'difflib similarity1: ', ratio # difflib 去掉列表中不需要比较的字符 seq = difflib.SequenceMatcher(lambda x: x in ' 我的雪', str1,str2) ratio = seq.ratio() print 'difflib similarity2: ', ratio # 2. hamming距离,str1和str2长度必须一致,描述两个等长字串之间对应位置上不同字符的个数 # sim = Levenshtein.hamming(str1, str2) # print 'hamming similarity: ', sim # 3. 编辑距离,描述由一个字串转化成另一个字串最少的操作次数,在其中的操作包括 插入、删除、替换 sim = Levenshtein.distance(str1, str2) print 'Levenshtein similarity: ', sim # 4.计算莱文斯坦比 sim = Levenshtein.ratio(str1, str2) print 'Levenshtein.ratio similarity: ', sim # 5.计算jaro距离 sim = Levenshtein.jaro(str1, str2 ) print 'Levenshtein.jaro similarity: ', sim # 6. Jaro–Winkler距离 sim = Levenshtein.jaro_winkler(str1 , str2 ) print 'Levenshtein.jaro_winkler similarity: ', sim
输出:
difflib similarity1: 0.246575342466
difflib similarity2: 0.0821917808219
Levenshtein similarity: 33
Levenshtein.ratio similarity: 0.27397260274
Levenshtein.jaro similarity: 0.490208958959
Levenshtein.jaro_winkler similarity: 0.490208958959
到此这篇关于详解Python 字符串相似性的几种度量方法就介绍到这了。月亮,她等待着太阳下班后,带着一块广阔无垠的深蓝色的幕布,来到了充满喜怒哀乐的人间。随即把深蓝色的幕布抛向天空,撒出许多黄色的亮闪闪的珍珠——星星。然后静静的、 安详地观看人间在她工作期间的生活。她很轻松,没有忧愁,没有困意,独自呆在那么大的天空。就这样,每当我睡不着坐在窗前时,月亮,便成了我的知心朋友。我就和她诉说着我的心里话。更多相关详解Python 字符串相似性的几种度量方法内容请查看相关栏目,小编编辑不易,再次感谢大家的支持!