每天分享一个好用的Python库-Levenshtein

前言

最近几天处于恢复期间,会不定期更新,感谢大家的关心与支持。今天分享是一个计算字符串相似度的第三方库:Levenshtein

Levenshtein

简介

Levenshtein:莱文斯坦距离,又称Levenshtein距离,是编辑距离的一种。 指两个字串之間,由一个转成另一个所需的最少编辑操作次数。 允许的编辑操作包括将一个字符替换成另一个字符,插入一个字符,刪除一个字符。

安装

pip install python-Levenshtein

简单使用

常见方法

  • hamming:计算汉明距离,两个字符串的长度必须相同。返回两个字串之间对应位置上不同字符的个数。

    >>> hamming('Hello world!', 'Holly grail!')
        7
    >>> hamming('Brian', 'Jesus')
        5
  • distance:计算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

    >>> distance('Levenshtein', 'Lenvinsten')
        4
    >>> distance('Levenshtein', 'Levensthein')
        2
    >>> distance('Levenshtein', 'Levenshten')
        1
    >>> distance('Levenshtein', 'Levenshtein')
        0
  • ratio:计算莱文斯坦比。计算公式为 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。

    >>> ratio('Hello world!', 'Holly grail!')  # doctest: +ELLIPSIS
        0.583333...
    >>> ratio('Brian', 'Jesus')
        0.0

    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。

  • jaro:计算两个字符串的 Jaro 字符串相似度度量。

    >>> jaro('Brian', 'Jesus')
        0.0
    >>> jaro('Thorkel', 'Thorgier')  # doctest: +ELLIPSIS
        0.779761...
    >>> jaro('Dinsdale', 'D')  # doctest: +ELLIPSIS
        0.708333...

    Jaro 字符串相似度度量适用于短字符串,例如个人姓氏。 对于完全不同的字符串,它是 0 并且1 表示相同的字符串。

  • jaro_winkler:计算两个字符串的 Jaro 字符串相似度度量。

    >>> jaro_winkler('Brian', 'Jesus')
        0.0
    >>> jaro_winkler('Thorkel', 'Thorgier')  # doctest: +ELLIPSIS
        0.867857...
    >>> jaro_winkler('Dinsdale', 'D')  # doctest: +ELLIPSIS
        0.7375...
    >>> jaro_winkler('Thorkel', 'Thorgier', 0.25)
        1.0

    Jaro-Winkler 字符串相似度度量是对 Jaro 的修改,度量给予公共前缀更多的权重,因为拼写错误是更可能出现在词尾附近。

作用

这个库是一个专门用于处理两个字符串间差异的库,目前该库很久没有维护,大家可以根据需求来使用。

尾巴

该项目的作者正在寻找新的维护者,如果对该项目感兴趣的朋友可以联系作者,将该库一直维护下去!

官方文档地址

本作品采用《CC 协议》,转载必须注明作者和本文链接
讨论数量: 0
(= ̄ω ̄=)··· 暂无内容!

讨论应以学习和精进为目的。请勿发布不友善或者负能量的内容,与人为善,比聪明更重要!