每天分享一個好用的Python庫-Levenshtein

前言

最近幾天處於恢復期間，會不定期更新，感謝大家的關心與支援。今天分享是一個計算字串相似度的第三方庫：Levenshtein。

Levenshtein

簡介

Levenshtein：萊文斯坦距離，又稱Levenshtein距離，是編輯距離的一種。 指兩個字串之間，由一個轉成另一個所需的最少編輯操作次數。 允許的編輯操作包括將一個字元替換成另一個字元，插入一個字元，刪除一個字元。

安裝

pip install python-Levenshtein

簡單使用

常見方法

• hamming：計算漢明距離，兩個字串的長度必須相同。返回兩個字串之間對應位置上不同字元的個數。

  >>> hamming('Hello world!', 'Holly grail!')
      7
  >>> hamming('Brian', 'Jesus')
      5

• distance：計算一個字串轉化成另一個字串最少的操作次數，在其中的操作包括插入、刪除、替換

  >>> distance('Levenshtein', 'Lenvinsten')
      4
  >>> distance('Levenshtein', 'Levensthein')
      2
  >>> distance('Levenshtein', 'Levenshten')
      1
  >>> distance('Levenshtein', 'Levenshtein')
      0

• ratio：計算萊文斯坦比。計算公式為 r = (sum - ldist) / sum, 其中sum是指str1 和 str2 字串的長度總和，ldist是類編輯距離。

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

  這裡的類編輯距離不是2中所說的編輯距離，2中三種操作中每個操作+1，而在此處，刪除、插入依然+1，但是替換+2，這樣ratio(‘a’, ‘c’)，sum=2，按2中計算為（2-1）/2 = 0.5，’a’，’c’沒有重合，顯然不合算，但是替換操作+2，就可以解決這個問題。

• jaro：計算兩個字串的 Jaro 字串相似度度量。

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

  Jaro 字串相似度度量適用於短字串，例如個人姓氏。 對於完全不同的字串，它是 0 並且1 表示相同的字串。

• jaro_winkler：計算兩個字串的 Jaro 字串相似度度量。

  >>> 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 字串相似度度量是對 Jaro 的修改，度量給予公共字首更多的權重，因為拼寫錯誤是更可能出現在詞尾附近。

作用

這個庫是一個專門用於處理兩個字串間差異的庫，目前該庫很久沒有維護，大家可以根據需求來使用。

尾巴

該專案的作者正在尋找新的維護者，如果對該專案感興趣的朋友可以聯絡作者，將該庫一直維護下去！

官方文件地址

本作品採用《CC 協議》，轉載必須註明作者和本文連結