测量两个字符串序列之间相似性的算法答案

【问题标题】：Algorithm to measure similarity between two sequences of strings测量两个字符串序列之间相似性的算法
【发布时间】：2016-06-16 10:32:25
【问题描述】：

如何测量两个字符串序列之间的相似度百分比？

我有两个文本文件，文件中的序列写成这样

第一个文件：

AAA BBB DDD CCC GGG MMM AAA MMM

第二个文件：

BBB DDD CCC MMM AAA MMM

如何根据字符串的顺序来衡量这两个文件之间的相似度？

例如，在上面的示例中，由于字符串的顺序相同，两个文件具有相似性，但是 file-2 中缺少一些字符串。什么算法最适合解决这个问题，这样我就可以测量字符串的顺序而不是字符串的频率有多相似？

【问题讨论】：

标签： sequences

【解决方案1】：

您可以使用Levenstein Distance 算法。它分析将一个字符串转换为另一个字符串所需的编辑次数。 This 文章解释的很好，并提供了一个示例实现。

从Codeproject复制粘贴：

1.  Set n to be the length of s. ("GUMBO")
    Set m to be the length of t. ("GAMBOL")
    If n = 0, return m and exit.
    If m = 0, return n and exit.
    Construct two vectors, v0[m+1] and v1[m+1], containing 0..m elements.
2.  Initialize v0 to 0..m.
3.  Examine each character of s (i from 1 to n).
4.  Examine each character of t (j from 1 to m).
5.  If s[i] equals t[j], the cost is 0.
    If s[i] is not equal to t[j], the cost is 1.
6.  Set cell v1[j] equal to the minimum of:
    a. The cell immediately above plus 1: v1[j-1] + 1.
    b. The cell immediately to the left plus 1: v0[j] + 1.
    c. The cell diagonally above and to the left plus the cost: v0[j-1] + cost.
7.  After the iteration steps (3, 4, 5, 6) are complete, the distance is found in the cell v1[m].

【讨论】：

【解决方案2】：

您可以使用 python 的SequenceMatcher.ratio 函数将序列相似度测量为[0, 1] 范围内的浮点数。如果 T 是两个序列中元素的总数，M 是匹配数，则为2.0 * M / T。主要代码如下：

from difflib import SequenceMatcher
text1 = 'AAA BBB DDD CCC GGG MMM AAA MMM'
text2 = 'BBB DDD CCC MMM AAA MMM'
s = SequenceMatcher(None, text1, text2)
similarity = s.ratio() * 100

希望对你有帮助！

【讨论】：

数字2.0指的是什么？