python比较两个字符串相似度,【Python】比较字符串相似度

字符串相似度应用场景：拼写纠错、文本去重、上下文相似性、不同来源数据对比等。

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。

方法1、difflib模块

1 # 优点：python自带模块，效率比较高

2 def similar_diff_ratio(str1, str2):

3 return difflib.SequenceMatcher(None, str1, str2).ratio()

4

5 # quick_ratio()比ratio()计算效率更高，计算结果一致

6 def similar_diff_qk_ratio(str1, str2):

7 return difflib.SequenceMatcher(None, str1, str2).quick_ratio()

8

9 # None参数是一个函数，用来去掉不需要比较的字符。比如，列表lst_str表示计算相似度时不需要比较的字符

10 def similar_diff_ratio_filter(lst_str, str1, str2):

11 return difflib.SequenceMatcher(lambda x: x in lst_str, str1, str2).ratio()

12

13 print(similar_diff_ratio("临安区中小企业创业基地", "临安区电子商务科技园"))

14 print(similar_diff_qk_ratio("临安区中小企业创业基地", "临安区电子商务科技园"))

15 # 有一点疑问，将不需要比较的字符加入后，相似度计算结果没变化，欢迎大佬留言解惑，谢谢！

16 lst_str = ['临安区', '创业', '为什么', '忽略', '某些字符之后', '相似度还是一致']

17 print(similar_diff_ratio_filter(lst_str, "临安区中小企业创业基地", "临安区电子商务科技园"))

0.2857142857142857

0.2857142857142857

0.2857142857142857

方法2、通过在长度较短的字符串末尾补充空格，将2个字符串处理成等长，然后从左至右比较同位置字符串

1 def similar_left(str1, str2):

2 str1 = str1 + ' ' * (len(str2) - len(str1))

3 str2 = str2 + ' ' * (len(str1) - len(str2))

4 return sum(1 if i == j else 0 for i, j in zip(str1, str2)) / float(len(str1))

5

6 print(similar_left("临安区中小企业创业基地", "临安区电子商务科技园"))

7 print(similar_left("临安区电子商务科技园", "园技科务商子电区安临"))

0.2727272727272727

0.0

方法3、Levenshtein模块

3.1、相似度

1 # 莱文斯坦比

2 def similar_lvst_ratio(str1, str2):

3 return Levenshtein.ratio(str1, str2)

4

5 # jaro距离

6 def similar_lvst_jaro(str1, str2):

7 return Levenshtein.jaro(str1, str2)

8

9 # Jaro–Winkler距离

10 def similar_lvst_winkler(str1, str2):

11 return Levenshtein.jaro_winkler(str1, str2)

12

13 print(similar_lvst_ratio("临安区中小企业创业基地", "临安区电子商务科技园"))

14 print(similar_lvst_jaro("临安区中小企业创业基地", "临安区电子商务科技园"))

15 print(similar_lvst_winkler("临安区中小企业创业基地", "临安区电子商务科技园"))

0.2857142857142857

0.5242424242424243

0.666969696969697

3.2、相似性度量

1 # distance编辑距离(也称为Levenshtein距离 )。是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。

2 def similar_lvst_distance(str1, str2):

3 return Levenshtein.distance(str1, str2)

4

5 # hamming汉明距离是编辑距离的一种特殊情况。 要求str1和str2必须长度一致，描述两个等长字串之间对应位置上不同字符的个数。

6 def similar_lvst_hamming(str1, str2):

7 return Levenshtein.hamming(str1, str2)

8

9 print(similar_lvst_distance("临安区中小企业创业基地", "临安区电子商务科技园"))

10 print(similar_lvst_hamming("临安区中小企业创业基地", "临安区电子商务科技园区"))

8

8

其他常用相似性度量方法还有 Jaccard distance、J-W距离(Jaro–Winkler distance)、余弦相似性(cosine similarity)、欧氏距离(Euclidean distance)等。

若想对以上方法有更深入研究，可参考大佬博客：https://www.cnblogs.com/wt869054461/p/5777782.html

标签：ratio,Python,str2,str1,print,相似,临安,字符串,similar

来源： https://www.cnblogs.com/hforevery0/p/14375286.html