字符串的相似性比較應(yīng)用場合很多，像拼寫糾錯、文本去重、上下文相似性等。

評價字符串相似度最常見的辦法就是：把一個字符串通過插入、刪除或替換這樣的編輯操作，變成另外一個字符串，所需要的最少編輯次數(shù)，這種就是編輯距離(edit distance)度量方法，也稱為Levenshtein距離。海明距離是編輯距離的一種特殊情況，只計算等長情況下替換操作的編輯次數(shù)，只能應(yīng)用于兩個等長字符串間的距離度量。

其他常用的度量方法還有 Jaccard distance、J-W距離(Jaro–Winkler distance)、余弦相似性(cosine similarity)、歐氏距離(Euclidean distance)等。

python-Levenshtein 使用

使用 pip install python-Levenshtein 指令安裝 Levenshtein

# -*- coding: utf-8 -*-

import difflib

# import jieba

import Levenshtein

str1 = "我的骨骼雪白 也長不出青稞"

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較的字符

seq = difflib.SequenceMatcher(lambda x: x in ' 我的雪', str1,str2)

ratio = seq.ratio()

print 'difflib similarity2: ', ratio

# 2. hamming距離，str1和str2長度必須一致，描述兩個等長字串之間對應(yīng)位置上不同字符的個數(shù)

# sim = Levenshtein.hamming(str1, str2)

# print 'hamming similarity: ', sim

# 3. 編輯距離，描述由一個字串轉(zhuǎn)化成另一個字串最少的操作次數(shù)，在其中的操作包括 插入、刪除、替換

sim = Levenshtein.distance(str1, str2)

print 'Levenshtein similarity: ', sim

# 4.計算萊文斯坦比

sim = Levenshtein.ratio(str1, str2)

print 'Levenshtein.ratio similarity: ', sim

# 5.計算jaro距離

sim = Levenshtein.jaro(str1, str2 )

print 'Levenshtein.jaro similarity: ', sim

# 6. Jaro–Winkler距離

sim = Levenshtein.jaro_winkler(str1 , str2 )

print 'Levenshtein.jaro_winkler similarity: ', sim

輸出：

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

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持我們。

本文標(biāo)題: 詳解Python 字符串相似性的幾種度量方法

本文地址: http://www.cppcns.com/jiaoben/python/270773.html

總結(jié)

以上是生活随笔為你收集整理的python比较两个字符串相似度_详解Python 字符串相似性的几种度量方法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。