所以我以前试过问这个,但我想我对我要找的东西还不够清楚。我正在制作一个最佳的字符串对齐算法,它实际上只是一个动态编程问题。所以我决定递归地写它。该计划由两部分组成:
- 找到两个单词之间的“编辑距离”,您可以根据一些相关成本最小化对齐。例如,对齐同一个字母的成本为 0,对齐两个元音的成本为 0.5,但对齐一个字母与间隙的成本为 1。
- 可视化对齐方式:即将字符串彼此叠放,字符和间隙的最佳对齐方式。
我认为我的编辑距离有效。我得到了与同龄人相同的价值观,而且似乎没有直接的问题。但是,我很难弄清楚如何恢复匹配、插入和删除的序列以可视化对齐。我的问题来自这样一个事实,即我有一个递归函数,它至少需要三个递归调用。所以,我最终得到了一个比必要的更长的序列,因为每个递归调用都附加了一个“移动”(匹配、插入、删除),它可能不会被使用,因为它不是成本最低的一个。
这是我的代码:
newseq = []
@memoize
def opt(a, b):
global newseq # Visual Alignment 'move' sequence
gap = 1 # Gap cost
if not a:
return len(b)
if not b:
return len(a)
if a and b:
p1 = a[0] in v # First letters vowells?
p2 = b[0] in v
if a[0] == b[0]: # First letters equal each other?
alpha = 0
elif p1 ^ p2: # Vowel and Consonant?
alpha = 1.2
elif p1 and p2: # Vowel and Vowel?
alpha = 0.5
else: # Consonant and Consonant?
alpha = 0.6
r1 = opt(a[1:], b[1:]) + alpha
r2 = opt(a[1:], b) + gap
r3 = opt(a, b[1:]) + gap
# Reset newseq
newseq = newseq[:-3]
# Takes min of recursive calls, and gives associated 'move'
res = min((r1, 'Match'), # Match
(r2, 'Insertion'), # Insertion
(r3, 'Deletion'), # Deletion
key = lambda x: x[0])
newseq.append(res[1])
return res[0]
所以,是的,我知道我所拥有的东西不起作用。我的全局newseq
变量当前的长度为 1,因为我尝试通过删除递归调用期间发生的所有附加来重置它。如何设置一种方法来记录构成与此递归算法的最佳对齐的“移动”序列?
编辑:这是我的 memoize 装饰器功能:
def memoize(f):
cache = {}
def decorated_function(*args):
if args in cache:
return cache[args]
else:
cache[args] = f(*args)
return cache[args]
return decorated_function