计算两个文本块之间的百分比差异的算法

Question

我一直在研究如何找到一个有效的解决方案.我研究了差异引擎(谷歌的差异匹配补丁,python的差异)和一些最长的常见链算法.

我希望能得到你们关于如何解决这个问题的建议.您想推荐哪种算法或库？

谢谢.

Answer 1

我不知道"最常见的[[chain？substring？]]"与"百分比差异"有什么关系,特别是在评论中看到你期望两个字符串之间的差异非常小的一个字符中间(因此它们最长的公共子串大约是字符串长度的一半).

忽略"最长常见"的陌生感,并将"百分比差异"定义为字符串之间的编辑距离除以最大长度(当然是100次;-),那么:

def levenshtein_distance(first, second):
    """Find the Levenshtein distance between two strings."""
    if len(first) > len(second):
        first, second = second, first
    if len(second) == 0:
        return len(first)
    first_length = len(first) + 1
    second_length = len(second) + 1
    distance_matrix = [[0] * second_length for x in range(first_length)]
    for i in range(first_length):
       distance_matrix[i][0] = i
    for j in range(second_length):
       distance_matrix[0][j]=j
    for i in xrange(1, first_length):
        for j in range(1, second_length):
            deletion = distance_matrix[i-1][j] + 1
            insertion = distance_matrix[i][j-1] + 1
            substitution = distance_matrix[i-1][j-1]
            if first[i-1] != second[j-1]:
                substitution += 1
            distance_matrix[i][j] = min(insertion, deletion, substitution)
    return distance_matrix[first_length-1][second_length-1]

def percent_diff(first, second):
    return 100*levenshtein_distance(a, b) / float(max(len(a), len(b)))

a = "the quick brown fox"
b = "the quick vrown fox"
print '%.2f' % percent_diff(a, b)

Levenshtein函数来自Stavros的博客.在这种情况下的结果将是5.26(差异百分比).