Question

有没有一种方法可以使用levenstein距离将一个特定字符串与第二个较长字符串中的任何区域匹配？

示例：

str1='aaaaa'
str2='bbbbbbaabaabbbb'

if str1 in str2 with a distance < 2:
    return True

因此，在上面的示例中，字符串2的部分是aabaa和distance(str1,str2) < 2，因此该语句应返回True。

我能想到的唯一方法就是一次从str2中取5个字符，然后将它与str1进行比较，然后通过str2重复此操作。不幸的是，这似乎效率很低，我需要以这种方式处理大量数据。

Answer 1

您可以查看支持模糊匹配的regex module：

>>> import regex
>>> regex.search("(aaaaa){s<2}", 'bbbbbbaabaabbbb')
<regex.Match object; span=(6, 11), match='aabaa', fuzzy_counts=(1, 0, 0)>

由于你正在寻找长度相等的字符串，你也可以做一个Hamming distance，它可能比同一两个字符串上的Levenstein距离快得多：

str1='aaaaa'
str2='bbbbbbaabaabbbb'
for s in [str2[i:i+len(str1)] for i in range(0,len(str2)-len(str1)+1)]:
    if sum(a!=b for a,b in zip(str1,s))<2:
        print s    # prints 'aabaa'

Answer 2

诀窍是生成适当长度b的所有子串，然后比较每个子串。

def lev_dist(a,b):
    length_cost = abs(len(a) - len(b))
    diff_cost = sum(1 for (aa, bb) in zip(a,b) if aa != bb)
    return diff_cost + length_cost

def all_substr_of_length(n, s):
    if n > len(s):
        return [s]
    else:
        return [s[i:i+n] for i in range(0, len(s)-n+1)]

def lev_substr(a, b):
    """Gives minimum lev distance of all substrings of b and
    the single string a.
    """

    return min(lev_dist(a, bb) for bb in all_substr_of_length(len(a), b))

if lev_substr(str1, str2) < 2:
    # it works!

Answer 3

诀窍通常是使用插入（更短）或删除（更长）成本。您可能还想考虑使用Damerau-Levenshtein。 https://en.wikipedia.org/wiki/Damerau%E2%80%93Levenshtein_distance

Levenstein距离子串

3 个答案: