有什么方法可以定量比較兩個字符串的相似性

Question

我有兩個字符串說：

s_1 = "This is a bat"
s_2 = "This is a bag"

以定性的方式，它們可能是相似的（1）或不是（0），在上述情況下，由於“ g”，它們是不相似的，而以定量的方式，我可以看到一定程度的相異性，請問如何計算該相異性使用python從s_1到s_2中的后一個“ g”。

我寫下了一個簡單的代碼：

Per_deff = float(((Number_of_mutated_sites)/len(s_1))*100)

此代碼告訴我們兩個相同長度的字符串之間的“ per_deff”，如果它們的長度不相同該怎么辦。 我該如何解決我的問題。

Answer 1

您想要的東西與Levenshtein Distance相似。 即使兩根琴弦的長度不相等，它也會為您提供距離。

如果兩個字符串完全相同，則距離將為0；如果它們相似，則距離將更小。

Wikipedia的示例代碼：

// len_s and len_t are the number of characters in string s and t respectively
int LevenshteinDistance(string s, int len_s, string t, int len_t)
{ int cost;

  /* base case: empty strings */
  if (len_s == 0) return len_t;
  if (len_t == 0) return len_s;

  /* test if last characters of the strings match */
  if (s[len_s-1] == t[len_t-1])
      cost = 0;
  else
      cost = 1;

  /* return minimum of delete char from s, delete char from t, and delete char from both */
  return minimum(LevenshteinDistance(s, len_s - 1, t, len_t    ) + 1,
                 LevenshteinDistance(s, len_s    , t, len_t - 1) + 1,
                 LevenshteinDistance(s, len_s - 1, t, len_t - 1) + cost);
}

Answer 2

您可以使用標准的python庫difflib

from difflib import SequenceMatcher


s_1 = "This is a bat"
s_2 = "This is a bag"
matcher = SequenceMatcher()
matcher.set_seqs(s_1, s_2)
print matcher.ratio()

Answer 3

您正在尋找的被稱為編輯距離。

https://pypi.python.org/pypi/editdistance

編輯距離是指對一個字符串進行編入另一字符串所需的編輯次數。

這里也有快速的實現：

https://stackoverflow.com/a/24172422/4044442

Answer 4

如果我對您的理解正確，則希望進行模糊字符串匹配。 為此，存在多個Python庫，其中之一是Fuzzywuzzy 。

from fuzzywuzzy import fuzz
s_1 = "This is a bat"
s_2 = "This is a bag"
fuzz.ratio(s_1, s_2)  # returns 92
fuzz.ratio(s_1, s_1)  # returns 100 (max score)