详解Python 字符串相似性的几种度量方法
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（editdistance）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Jaccarddistance、J-W距离（Jaro–Winklerdistance）、余弦相似性（cosinesimilarity）、欧氏距离（Euclideandistance）等。
python-Levenshtein使用
使用pipinstallpython-Levenshtein指令安装Levenshtein
#-*-coding:utf-8-*- importdifflib #importjieba importLevenshtein 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'difflibsimilarity1:',ratio #difflib去掉列表中不需要比较的字符 seq=difflib.SequenceMatcher(lambdax:xin'我的雪',str1,str2) ratio=seq.ratio() print'difflibsimilarity2:',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'hammingsimilarity:',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'Levenshteinsimilarity:',sim #4.计算莱文斯坦比 sim=Levenshtein.ratio(str1,str2) print'Levenshtein.ratiosimilarity:',sim #5.计算jaro距离 sim=Levenshtein.jaro(str1,str2) print'Levenshtein.jarosimilarity:',sim #6.Jaro–Winkler距离 sim=Levenshtein.jaro_winkler(str1,str2) print'Levenshtein.jaro_winklersimilarity:',sim
输出：
difflibsimilarity1: 0.246575342466
difflibsimilarity2: 0.0821917808219
Levenshteinsimilarity: 33
Levenshtein.ratiosimilarity: 0.27397260274
Levenshtein.jarosimilarity: 0.490208958959
Levenshtein.jaro_winklersimilarity: 0.490208958959
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。