Levenshtein Distance 算法,又叫 Edit Distance 算法,是指两个字符串之间,由一个转成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符,插入一个字符,删除一个字符。一般来说,编辑距离越小,两个串的相似度越大。
算法实现原理图解:
a.首先是有两个字符串,这里写一个简单的 abc 和 abe
b.将字符串想象成下面的结构。
A 处 是一个标记,为了方便讲解,不是这个表的内容。
abc | a | b | c | |
abe | 0 | 1 | 2 | 3 |
a | 1 | A处 | ||
b | 2 | |||
e | 3 |
c.来计算 A 处 出得值
它的值取决于:左边的 1、上边的 1、左上角的 0。
按照 Levenshtein distance 的意思:
上面的值加 1 ,得到 1+1=2 ,
左面的值加 1 ,得到 1+1=2 ,
左上角的值根据字符是否相同,相同加 0 ,不同加 1 。A 处由于是两个 a 相同,左上角的值加 0 ,得到 0+0=0 。
然后从我们上面计算出来的 2,2,0 三个值中选取最小值,所以 A 处的值为 0 。
d.于是表成为下面的样子
abc | a | b | c | |
abe | 0 | 1 | 2 | 3 |
a | 1 | 0 | ||
b | 2 | B处 | ||
e | 3 |
在 B 处 会同样得到三个值,左边计算后为 3 ,上边计算后为 1 ,在 B 处 由于对应的字符为 a、b ,不相等,所以左上角应该在当前值的基础上加 1 ,这样得到 1+1=2 ,在(3,1,2)中选出最小的为 B 处的值。
e.于是表就更新了
abc | a | b | c | |
abe | 0 | 1 | 2 | 3 |
a | 1 | 0 | ||
b | 2 | 1 | ||
e | 3 | C处 |
C 处 计算后:上面的值为 2 ,左边的值为 4 ,左上角的:a 和 e 不相同,所以加 1 ,即 2+1 ,左上角的为 3 。
在(2,4,3)中取最小的为 C 处的值。
f.于是依次推得到
a | b | c | ||
0 | 1 | 2 | 3 | |
a | 1 | A处 0 | D处 1 | G处 2 |
b | 2 | B处 1 | E处 0 | H处 1 |
e | 3 | C处 2 | F处 1 | I处 1 |
I 处: 表示 abc 和 abe 有1个需要编辑的操作( c 替换成 e )。这个是需要计算出来的。
同时,也获得一些额外的信息:
A处: 表示a 和a 需要有0个操作。字符串一样
B处: 表示ab 和a 需要有1个操作。
C处: 表示abe 和a 需要有2个操作。
D处: 表示a 和ab 需要有1个操作。
E处: 表示ab 和ab 需要有0个操作。字符串一样
F处: 表示abe 和ab 需要有1个操作。
G处: 表示a 和abc 需要有2个操作。
H处: 表示ab 和abc 需要有1个操作。
I处: 表示abe 和abc 需要有1个操作。
g.计算相似度
先取两个字符串长度的最大值 maxLen,用 1-(需要操作数 除 maxLen),得到相似度。
例如 abc 和 abe 一个操作,长度为 3 ,所以相似度为 1-1/3=0.666 。
以上就是整个算法的推导过程,但是至于为什么能算出相似度,还是不太懂。而且我发现这个算法有个很坑的地方,就是有时候根据算法推算出的结果,会和我们想象中的不一样:
例如:字符串 abcd 和字符串 def ,根据算法算出来的相似度为 0,可是明明是由一个相同字符 d 的,至少应该是有一定相似度,即使很相似度很低,但是也不应该为0才对。但是字符串 abcd 和字符串 aert ,同样是只有一个相同字符 a ,但是根据算法算出来的相似度却为 0.25 。
根据最开始对算法的介绍,使用替换、删除、插入这三种操作方式,字符串 abcd 和字符串 aert 最少需要 3 步就能完成转变,而字符串 abcd 和字符串 def 却最少需要4步才能完成转变,两个字符串的最大长度才为 4 ,而完成转换却至少需要 4 步,相似度为 0 好像也能说的通,但是从表面来看,明明有一个相同的字符d,相似度为0,让我觉得很怪异,所以我认为再使用的时候需要慎重。
下面是我的 C# 代码实现:
using UnityEngine;
using System.Collections;
using System; public class EditorDistance
{
/// <summary>
/// 比较两个字符串的相似度,并返回相似率。
/// </summary>
/// <param name="str1"></param>
/// <param name="str2"></param>
/// <returns></returns>
public static float Levenshtein(string str1, string str2)
{
char[] char1 = str1.ToCharArray();
char[] char2 = str2.ToCharArray();
//计算两个字符串的长度。
int len1 = char1.Length;
int len2 = char2.Length;
//建二维数组,比字符长度大一个空间
int[,] dif = new int[len1 + , len2 + ];
//赋初值
for (int a = ; a <= len1; a++)
{
dif[a, ] = a;
}
for (int a = ; a <= len2; a++)
{
dif[, a] = a;
}
//计算两个字符是否一样,计算左上的值
int temp;
for (int i = ; i <= len1; i++)
{
for (int j = ; j <= len2; j++)
{
if (char1[i - ] == char2[j - ])
{
temp = ;
}
else
{
temp = ;
}
//取三个值中最小的
dif[i, j] = Min(dif[i - , j - ] + temp, dif[i, j - ] + , dif[i - , j] + );
}
}
//计算相似度
float similarity = - (float)dif[len1, len2] / Math.Max(len1, len2);
return similarity;
} /// <summary>
/// 求最小值
/// </summary>
/// <param name="nums"></param>
/// <returns></returns>
private static int Min(params int[] nums)
{
int min = int.MaxValue;
foreach (int item in nums)
{
if (min > item)
{
min = item;
}
}
return min;
}
}