编辑距离算法详解和python代码

编辑距离（Levenshtein Distance）算法详解和python代码

最近做NLP用到了编辑距离，网上学习了很多，看到很多博客写的有问题，这里做一个编辑距离的算法介绍，步骤和多种python代码实现，编辑距离有很多个定义，比如Levenshtein距离，LCS距离，汉明距离等，我们这里将Levenshtein距离默认为编辑距离。

基本概念：

编辑距离是指两个字符串之间，由一个转成另一个所需的最少编辑操作次数。许可的编辑操作仅包括删除、加入、取代字符串中的任何一个字符。
它是由俄罗斯科学家Vladimir Levenshtein在1965年提出，中文名叫做莱文斯坦距离。
例如将 jary 转为 jerry；

1. jery (a→e)
2. jerry(add r)

主要思想

假设我们可以使用d[i, j]个步骤（可以使用一个二维数组保存这个值），表示将字符串 s[ : i ] 转换为字符串 t[ : j ] 所需要的最少编辑操作次数，那么，考虑一个特殊情况，即在 i = 0，即s为空时，那么对应的d[0, j] 就是增加 j 个字符，使得 s 转化为 t；反之，在 j = 0，即t为空时，对应的d[i, 0] 就是减少 i 个字符，使得s转化为t。
然后我们考虑一般情况，利用动态规划的思想，我们要想得到将 s[ : i ]经过最少次数的增加，删除，或者替换操作就转变为 t[ : j ]，那么我们就必须在最后一步操作之前可以以最少次数的增加，删除，或者替换操作，使得现在 s 和 t 只需要再做一次操作或者不做就可以完全相等。
根据动态规划和贝尔曼最优性原理，这里的"最后一步操作之前"指的是：

1. 在k个操作内将 s[ : i ] 转换为 t[ : j-1 ]
2. 在k个操作里面将 s[ : i-1 ] 转换为 t[ : j ]
3. 在k个步骤里面将 s[ : i-1 ] 转换为 t[ : j -1]

于是，与之对应的最后一步操作即为：

4. 最后将 t[j] 加上s[ : i ]就完成了匹配，这样总共就需要 k+1 个操作
5. 最后将 s[i] 移除，也完成了匹配，所以总共需要 k+1 个操作
6. 最后将 s[i] 替换为 t[j]，完成匹配，这样总共也需要 k+1个操作。而如果在第3种情况下，s[i ]刚好等于 t[j]，那我 们就仅仅使用了k个操作就完成这个过程。

所以现在问题变为：为了保证得到的操作总次数最少，我们需要从上面三种情况中选择消耗最少的一种。

基本步骤

1. 初始化行数为m+1 列数为 n+1 的矩阵 matrix, 用来保存完成某个转换需要执行的操作的次数，那么将 s[ 1 : n ] 变为t[ 1 : m ] 所需要执行的操作次数为matrix[n][m]的值；

2. 初始化matrix第一行为0到n，第一列为0到m。Matrix[0][j]表示第1行第j+1列的值，这个值表示将串s[1 : 0]=[]转换为 t[1 : j] 所需要执行的操作的次数，很显然将一个空串转换为一个长度为 j 的串，只需要 j 次的add操作，所以matrix[0][j]的值应该是 j，其他值以此类推。

3. 检查每个从1到n的 s[i] 字符；

4. 检查每个从1到m的 t[j] 字符；

5. 将串 s 和串 t 的每一个字符进行两两比较，如果相等，则让cost为0，如果不等，则让cost为1（这个cost后面会用到）;

6. a、如果我们可以在k个操作里面将s[1:i-1]转换为t[1:j]，也就是说matrix[i-1,j]=k， 那么我们就可以将s[i]移除，然后再做这k个操作，所以总共需要k+1个操作。
   b、如果我们可以在k个操作内将 s[1:i] 转换为 t[1:j-1] ，也就是说matrix[i,j-1]=k，那么我们就可以将 t[j] 加上s[1:i]，这样总共就需要k+1个操作。
   c、如果我们可以在k个步骤里面将 s[1:i-1] 转换为 t [1:j-1]，那么我们就可以将s[i]转换为 t[j]，使得满足s[1:i] == t[1:j]，这样总共也需要k+1个操作。（这里需要加上cost，是因为如果s[i]刚好等于t[j]，那么就不需要再做替换操作，即可满足，如果不等，则需要再做一次替换操作，那么就需要k+1次操作）
   因为我们要取得最小操作的个数，所以我们最后还需要将这三种情况的操作个数进行比较，取最小值作为matrix[ i , j ]的值；

7. 然后重复执行3,4,5,6，最后的结果就在matrix[m,n]中；

文字看的不清不楚没有关系，我们下面以图解解释下每一个步骤，还是以"jary" → "jerry"为例。

图解如下

步骤1：初始化矩阵如下：

步骤2：从源串"jary"的第一个字符"j"开始，自上而下与目标串"jerry"比较

如果两个字符相等，则cost = 0, 如果两个字符不相等，则cost = 1。
当前值从此位置的 左+1，上+1和 左上+cost 三个值中取最小值。
第一次，源串第一个字符“j” 与目标串的“j”对比,左+1，上+1，左上+cost三个值中取出最小的值0，因为两字符相等，所以加上0；接着，依次对比“j”→“e”，“j”→“r”，“j”→“r”，，“j”→“y” 到扫描完目标串。

步骤三：遍历整个源串与目标串每一个字符比较



步骤四：遍历完成，则matrix[m][n]即为所求编辑距离
求出编辑距离后，可以计算两个字符串的相似度Similarity = $1-\frac{Levenshtein}{\max (s,t)}$，其中s,t分别是源串和目标串的长度。

代码实现

1. 利用python的三方库Levenshtein，调用Levenshtein.distance(str1,str2)方法即可，这是内部调用c库，优化了算法结构的，比我们按照上面那个步骤写的代码快。
2. 利用Numpy，DP，wiki上的代码 python_code.
2.一个简单的代码，用python的list实现

#!/usr/bin/env python
# -*- coding: cp936 -*-
def edit_distance(str1, str2):
'''
        :type str1: str
        :type str2: str
        :rtype: int
'''
    matrix = [[i+j for j in xrange(len(str2) + 1)] for i in xrange(len(str1) + 1)]
    for i in xrange(1,len(str1)+1):
        for j in xrange(1,len(str2)+1):
            if str1[i-1] == str2[j-1]:
                d = 0
            else:
                d = 1
            matrix[i][j] = min(matrix[i-1][j]+1,matrix[i][j-1]+1,matrix[i-1][j-1]+d)
    return matrix[len(str1)][len(str2)]

参考文献

• 编辑距离算法详解：Levenshtein Distance算法.
• 编辑距离.