关于python：查找两个字符串之间的相似性度量


Find the similarity metric between two strings

如何获得字符串与Python中的另一个字符串相似的概率？

我想得到一个十进制值，比如0.9(意思是90%)等，最好是使用标准的python和library。

例如

1
2
3
similar("Apple","Appel") #would have a high prob.

similar("Apple","Mango") #would have a lower prob.
相关讨论

有一个内置的。

1
2
3
4
from difflib import SequenceMatcher

def similar(a, b):
    return SequenceMatcher(None, a, b).ratio()

号

使用它：

1
2
3
4
>>> similar("Apple","Appel")
0.8
>>> similar("Apple","Mango")
0.0
相关讨论

我想你可能在找一个描述字符串之间距离的算法。您可以参考以下内容：

  • 汉明距离
  • 编辑距离
  • Damerau–Levenshtein距离
  • Jaro–Winkler距离

    • 解决方案1：python内置

    使用difflib中的SequenceMatcher

    赞成的意见：本机python库，不需要额外的包。缺点：太有限了，有很多其他很好的字符串相似性算法。

    例子：

    1
    2
    3
    4
    >>> from difflib import SequenceMatcher
    >>> s = SequenceMatcher(None,"abcd","bcde")
    >>> s.ratio()
    0.75

    。解决方案2：水母库

    它是一个非常好的图书馆，覆盖范围很广，问题很少。它支持：-列文斯坦距离-达默劳-列文斯坦距离-Jaro距离-Jaro Winkler距离-匹配评级方法比较-汉明距离

    赞成的意见：易于使用，支持的算法范围，测试。缺点：不是本机库。

    例子：

    1
    2
    3
    4
    5
    6
    7
    >>> import jellyfish
    >>> jellyfish.levenshtein_distance(u'jellyfish', u'smellyfish')
    2
    >>> jellyfish.jaro_distance(u'jellyfish', u'smellyfish')
    0.89629629629629637
    >>> jellyfish.damerau_levenshtein_distance(u'jellyfish', u'jellyfihs')
    1

    。

    Fuzzy Wuzzy是一个在python中实现levenshtein距离的包，在某些情况下，您可能希望两个不同的字符串被认为是相同的，使用一些辅助函数来帮助您。例如：

    1
    2
    3
    4
    >>> fuzz.ratio("fuzzy wuzzy was a bear","wuzzy fuzzy was a bear")
        91
    >>> fuzz.token_sort_ratio("fuzzy wuzzy was a bear","wuzzy fuzzy was a bear")
        100

    。

    您可以创建如下函数：

    1
    2
    3
    4
    def similar(w1, w2):
        w1 = w1 + ' ' * (len(w2) - len(w1))
        w2 = w2 + ' ' * (len(w1) - len(w2))
        return sum(1 if i == j else 0 for i, j in zip(w1, w2)) / float(len(w1))
    相关讨论

    包装距离包括Levenshtein距离：

    1
    2
    3
    import distance
    distance.levenshtein("lenvestein","levenshtein")
    # 3

    内置的SequenceMatcher在大输入上速度非常慢，下面介绍如何使用diff-match补丁：

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    from diff_match_patch import diff_match_patch

    def compute_similarity_and_diff(text1, text2):
        dmp = diff_match_patch()
        dmp.Diff_Timeout = 0.0
        diff = dmp.diff_main(text1, text2, False)

        # similarity
        common_text = sum([len(txt) for op, txt in diff if op == 0])
        text_length = max(len(text1), len(text2))
        sim = common_text / text_length

        return sim, diff