我一直在研究在尋找一個有效的解決方案,這兩種斑點%的差異。我研究了差異引擎(谷歌的diff-match-patch,python的diff)和一些最長的常見鏈算法。算法計算betweem文本
我希望在得到關於如何解決這個問題,你們的建議。特別推薦的任何算法或庫?
謝謝。
我一直在研究在尋找一個有效的解決方案,這兩種斑點%的差異。我研究了差異引擎(谷歌的diff-match-patch,python的diff)和一些最長的常見鏈算法。算法計算betweem文本
我希望在得到關於如何解決這個問題,你們的建議。特別推薦的任何算法或庫?
謝謝。
我不知道什麼是「最長的公共[鏈?子?]]」與「百分比差異」的事,尤其是在你預期不同的兩個字符串之間一個非常小的差異%留言看了之後中間是一個字符(所以它們最長的公共子字符串大約是字符串長度的一半)。
忽略「最長公共」不協調,並限定由最大長度劃分的字符串(倍當然100 ;-),那之間的編輯距離「百分比差」:
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)
的Levenshtein函數從Stavros' blog。在這種情況下的結果是5.26(百分比差異)。
哦,男人,是的。我想我把自己與最長的鏈條搞混了。但那正是我所期待的。我會檢查出來的。謝謝一堆! :D – colorfulgrayscale 2010-06-24 04:31:14
該算法在空間(不必要)和時間上都是O(MN)。斯塔夫羅斯說,他用它來檢查平均長度爲8的單詞,比OP的「段落到頁面之間的任何地方」要少一些。 – 2010-06-24 06:51:36
除了difflib
和其他常見的子序列庫,如果它是自然語言文本,您可以查看詞幹,它將詞彙歸一化爲它們的根形式。您可以在Natural Language Toolkit(http://www.nltk.org/)庫中找到多個實現。您還可以使用N-Grams(http://en.wikipedia.org/wiki/N-gram)在語義上比較自然語言文本的斑點。
link text另一個感興趣的領域可能會在這裏描述的Levenshtein距離。
blob有多大? – 2010-06-24 03:18:18
段落到頁面之間的任何地方。 – colorfulgrayscale 2010-06-24 03:21:07
看來你已經回答了你自己的問題。如果你正在研究「最長的共同子序列」和「差異」,你就知道它是一個經典問題和NP難題。這裏沒有人會比幾代計算機科學家做得更好。 http://en.wikipedia.org/wiki/Longest_common_subsequence_problem – msw 2010-06-24 03:21:45