编辑距离算法
来源:互联网 发布:网络剧特点 编辑:程序博客网 时间:2024/05/16 06:06
在搞验证码识别的时候需要比较字符代码的相似度用到“编辑距离算法”,关于原理和python实现做个记录。
据百度百科介绍:
编辑距离,又称Levenshtein距离(也叫做Edit Distance),是指两个字串之间,由一个转成另一个所需的最少编辑操作次数,如果它们的距离越大,说明它们越是不同。许可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,删除一个字符。
例如将kitten一字转成sitting:
sitten (k→s)
sittin (e→i)
sitting (→g)
俄罗斯科学家Vladimir Levenshtein在1965年提出这个概念。因此也叫Levenshtein Distance。
例如
- 如果str1="ivan",str2="ivan",那么经过计算后等于 0。没有经过转换。相似度=1-0/Math.Max(str1.length,str2.length)=1
- 如果str1="ivan1",str2="ivan2",那么经过计算后等于1。str1的"1"转换"2",转换了一个字符,所以距离是1,相似度=1-1/Math.Max(str1.length,str2.length)=0.8
应用
DNA分析
拼字检查
语音辨识
抄袭侦测
感谢大石头在评论中给出一个很好的关于此方法应用的连接 补充在此:
小规模的字符串近似搜索,需求类似于搜索引擎中输入关键字,出现类似的结果列表,文章连接:【算法】字符串近似搜索
算法过程
- str1或str2的长度为0返回另一个字符串的长度。 if(str1.length==0) return str2.length; if(str2.length==0) return str1.length;
- 初始化(n+1)*(m+1)的矩阵d,并让第一行和列的值从0开始增长。
- 扫描两字符串(n*m级的),如果:str1[i] == str2[j],用temp记录它,为0。否则temp记为1。然后在矩阵d[i,j]赋于d[i-1,j]+1 、d[i,j-1]+1、d[i-1,j-1]+temp三者的最小值。
- 扫描完后,返回矩阵的最后一个值d[n][m]即是它们的距离。
计算相似度公式:1-它们的距离/两个字符串长度的最大值。
为了直观表现,我将两个字符串分别写到行和列中,实际计算中不需要。我们用字符串“ivan1”和“ivan2”举例来看看矩阵中值的状况:
1、第一行和第一列的值从0开始增长
i
v
a
n
1
0
1
2
3
4
5
i
1
v
2
a
3
n
4
2
5
2、i列值的产生 Matrix[i - 1, j] + 1 ; Matrix[i, j - 1] + 1 ; Matrix[i - 1, j - 1] + t
i
v
a
n
1
0+t=0
1+1=2
2
3
4
5
i
1+1=2
取三者最小值=0
v
2
依次类推:1
a
3
2
n
4
3
2
5
4
3、V列值的产生
i
v
a
n
1
0
1
2
i
1
0
1
v
2
1
0
a
3
2
1
n
4
3
2
2
5
4
3
依次类推直到矩阵全部生成
i
v
a
n
1
0
1
2
3
4
5
i
1
0
1
2
3
4
v
2
1
0
1
2
3
a
3
2
1
0
1
2
n
4
3
2
1
0
1
2
5
4
3
2
1
1
最后得到它们的距离=1
相似度:1-1/Math.Max(“ivan1”.length,“ivan2”.length) =0.8
#!/usr/bin/env python
# -*- coding: utf-8 -*-
def ed(s1, s2):
'''
>>> ed('eeba', 'abac')
3
>>> ed('abc', 'cba')
2
>>> ed('cbc', 'eba')
2
>>> ed('recoginze', 'recognize')
1
>>> ed('sailn', 'failing')
3
>>> ed('ab', 'ba')
1
'''
# 动态规划求编辑距离
# param s1: 字符串1
# param s2: 字符串2
len1 =len(s1)
len2 =len(s2)
# 初始化矩阵
matrix =[[i+j forj in range(len2+ 1)]for i in range(len1+ 1)]
forrow in range(len1):
forcol in range(len2):
comp =[matrix[row+1][col]+1, matrix[row][col+1]+1]
ifs1[row] == s2[col]:
comp.append(matrix[row][col])
else:
comp.append(matrix[row][col]+1)
# 对相邻字符交换位置的处理判断
ifrow > 0 andcol > 0:
ifs1[row] == s2[col-1] and s1[row-1]== s2[col]:
comp.append(matrix[row-1][col-1]+1)
matrix[row+1][col+1]= min(comp)
returnmatrix[len1][len2]
重要的是这段代码:
?
1
2
3
if row > 0 andcol > 0:
ifs1[row] == s2[col-1] and s1[row-1]== s2[col]:
comp.append(matrix[row-1][col-1]+1)
同学们要用其他语言实现,只需要实现以上判断,来进行操作(4)。
注意到ed函数的docstring******现了类似命令行的句子,这是为了方便进行doctest测试。要测试全部数据,只需加上以下几句话:
?
1
2
3
if __name__ =='__main__':
importdoctest
doctest.testmod()
- 编辑距离与编辑算法
- 编辑距离及编辑距离算法
- 编辑距离及编辑距离算法
- 编辑距离及编辑距离算法
- 编辑距离及编辑距离算法
- 编辑距离及编辑距离算法
- 编辑距离及编辑距离算法
- 编辑距离及编辑距离算法
- 编辑距离及编辑距离算法
- 编辑距离及编辑距离算法
- 编辑距离及编辑距离算法
- 编辑距离算法-java
- 编辑距离算法
- 编辑距离算法实现
- 编辑距离算法
- [算法]计算编辑距离
- 字符串编辑距离算法
- 编辑距离(levenshtein)算法
- JS视频教学下载
- C argc and argv Examples to Parse Command Line Arguments
- App应用刷榜乱象调查:刷榜公司谋划自律
- win7-64位-FriendArm-usb-dnw-driver-解决方案
- 破解.net程序 编译和反编译方法
- 编辑距离算法
- 学 Win32 汇编[28] - 跳转指令: JMP、JECXZ、JA、JB、JG、JL、JE、JZ、JS、JC、JO、JP 等
- linux socket网络编程(一)
- Spring2.5注解(标注)学习笔记(使用annotation代替XML)
- Feodra17 安装ClamAV
- 简介事物与隔离级别
- SAP SD基本业务总结
- 杭电2565
- 四种浏览器对 clientHeight、offsetHeight、scrollHeight、clientWidth、offsetWidth 和 scrollWidth 的解释差异