Levenshtein计算相似度距离

标签：长度   image   权重   html   mil   str   font   相似度   sum   

使用Levenshtein计算相似度距离，装下模块，调用下函数就好。

拿idf还得自己去算权重，而且不一定准确度高，一般做idf还得做词性归一化，把动词形容词什么全部转成名词，很麻烦。

Levenshtein.distance(str1,str2)

计算编辑距离（也称Levenshtein距离）。是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。如

例如将eeba转变成abac：

①　eba（删除第一个e）

②　aba（将剩下的e替换成a）

③　abac（在末尾插入c）

所以eeba和abac的编辑距离就是3

备注：

http://www.lfd.uci.edu/~gohlke/pythonlibs/#python-levenshtein

 1. Levenshtein.hamming(str1, str2)

计算汉明距离。要求str1和str2必须长度一致。是描述两个等长字串之间对应位置上不同字符的个数。如

2. Levenshtein.distance(str1, str2)

计算编辑距离（也成Levenshtein距离）。是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。如

算法实现 参考动态规划整理：http://www.cnblogs.com/kaituorensheng/archive/2013/05/15/3080990.html。

3. Levenshtein.ratio(str1, str2)

计算莱文斯坦比。计算公式  r = (sum - ldist) / sum, 其中sum是指str1 和 str2 字串的长度总和，ldist是类编辑距离

注意：这里的类编辑距离不是2中所说的编辑距离，2中三种操作中每个操作+1，而在此处，删除、插入依然+1，但是替换+2

这样设计的目的：ratio(‘a‘, ‘c‘)，sum=2,按2中计算为（2-1）/2 = 0.5,’a‘,‘c‘没有重合，显然不合算，但是替换操作+2，就可以解决这个问题。

4. Levenshtein.jaro(s₁, s₂)

计算jaro距离，

其中的m为s₁, s₂的匹配长度，当某位置的认为匹配 当该位置字符相同，或者在不超过

         t是调换次数的一半

5. Levenshtein.jaro_winkler(s₁, s₂)

计算Jaro–Winkler距离

Levenshtein计算相似度距离

标签：长度   image   权重   html   mil   str   font   相似度   sum   

原文地址：http://www.cnblogs.com/zangrunqiang/p/6752430.html