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（edit distance）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 jaccard distance、j-w距离（jaro–winkler distance）、余弦相似性（cosine similarity）、欧氏距离（euclidean distance）等。

python-levenshtein 使用

使用 pip install python-levenshtein 指令安装 levenshtein

# -*- coding: utf-8

-*-import difflib
# import jieba
import levenshtein

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 'difflib similarity1: ', ratio

# difflib 去掉列表中不需要比较的字符
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 'hamming similarity: ', 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 'levenshtein similarity: ', sim

# 4.计算莱文斯坦比
sim = levenshtein.ratio(str1, str2)
print 'levenshtein.ratio similarity: ', sim

# 5.计算jaro距离
sim = levenshtein.jaro(str1, str2 )
print 'levenshtein.jaro similarity: ', sim

# 6. jaro–winkler距离
sim = levenshtein.jaro_winkler(str1 , str2 )
print 'levenshtein.jaro_winkler similarity: ', sim

输出：

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