7

如何测量两个字符串序列之间的相似性百分比？

我有两个文本文件，在文件中有序列写成

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性？

例如，在上面的示例中，由于字符串的顺序相同，两个文件都具有相似性，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，以便我可以测量字符串的顺序而不是两个字符串的频率有多相似？

4

2 回答 2

8

您可以使用Levenstein 距离算法。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。本文很好地解释了它，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].
于 2012-06-01T05:58:00.100 回答
6

您可以使用 python 的SequenceMatcher.ratio函数将序列相似性测量为 range 中的浮点数[0, 1]。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

我希望这可以帮助你！

于 2015-02-19T08:00:03.687 回答