產品出了一個奇怪的需求，想通過字串相似度取匹配城市= =（當然，最後證實通過字串相似度取判斷兩個字串是不是一個城市是不對的！！！）

這裡就記錄一下我計算字串(英文字串)相似度的方法吧～

參考文件：

Levenshtein

• Levenshtein.hamming(str1, str2)

  計算漢明距離。要求str1和str2必須長度一致。是描述兩個等長字串之間對應位置上不同字元的個數。

  用法：

  >>> import Levenshtein     
  >>> Levenshtein.hamming('abc', 'cba')
  2
  >>> Levenshtein.
   
  hamming('abc', 'def')
  3
  

• Levenshtein.distance(str1, str2)

  計算編輯距離（也成Levenshtein距離）。是描述由一個字串轉化成另一個字串最少的操作次數，在其中的操作包括插入、刪除、替換。

  用法：

  >>> Levenshtein.distance('abc', 'ab')
  1
  >>> Levenshtein.distance('cxy', 'ab')
  3
  

• Levenshtein.ratio(str1, str2)

  計算萊文斯坦比。計算公式 r = (sum - ldist) / sum, 其中sum是指str1 和 str2 字串的長度總和，ldist是類編輯距離

  注意：這裡的類編輯距離不是Levenshtein.distance(str1, str2)所說的編輯距離，Levenshtein.distance(str1, str2)中三種操作中每個操作+1，而在此處，刪除、插入依然+1，但是替換+2 這樣設計的目的：ratio(‘a’, ‘c’)，sum=2,按2中計算為（2-1）/2 = 0.5,’a’,'c’沒有重合，顯然不合算，但是替換操作+2，就可以解決這個問題。

  用法：

  >>> Levenshtein.ratio('a,cdsf', 'abcd')		      
  0.6
  

difflib

我主要用的是SequenceMatcher

SequenceMatcher是可以對兩個可序列化的物件進行比較的類

官網上的用法是：

>>> s = SequenceMatcher(lambda x: x == " ",
   ...                     "private Thread currentThread;",
   ...                     "private volatile Thread currentThread;")
   >>> print(round(s.ratio(), 3))
   0.866

第一個引數為一個函式，主要用來去掉自己不想算在內的元素；如果沒有，可以寫`None`
後面兩個引數就是需要比較的兩個物件了

餘弦定理

通過閱讀上面的文章，我們可以簡單總結計算相似度的幾個步驟：

1. 列出所有出現的字母，並分別統計兩個字串出現這些字母的次數。這裡我是這樣寫的，利用from collections import Counter, OrderedDict

   方法：

   >>> from collections import Counter, OrderedDict
   >>> from copy import deepcopy
   >>> a = 'abc'
   >>> b = 'bcde'
   >>> item = set(a) | set(b)
   >>> item
   {'b', 'c', 'e', 'd', 'a'}
   >>> model = OrderedDict().fromkeys(item)
   >>> model
   OrderedDict([('b', None), ('c', None), ('e', None), ('d', None), ('a', None)])
   >>> model1 = deepcopy(model)
   >>> model2 = deepcopy(model)
   >>> model1.update(Counter(a))
   >>> model1
   OrderedDict([('b', 1), ('c', 1), ('e', None), ('d', None), ('a', 1)])
   >>> model2.update(Counter(b))
   >>> model2
   OrderedDict([('b', 1), ('c', 1), ('e', 1), ('d', 1), ('a', None)])
   

   這樣寫的原因是，在比較詞頻的時候，要保證每個字母的順序是一樣的～

2. 利用餘弦公式計算相似度

   方法：

   >>> import math
   >>> sum = 0	#分子
   >>> q1 = 0	#分母
   >>> q2 = 0	#分母
   >>> for i in item:
   		a = model1[i] if type(model1[i]) != type(None) else 0
   		b = model2[i] if type(model2[i]) != type(None) else 0
   		sum += a * b
   		q1 += pow(a, 2)
   		q2 += pow(b, 2)
   >>> sum
   2
   >>> q1
   3
   >>> q2
   4
   >>> result = float(sum) / (math.sqrt(q1) * math.sqrt(q2))
   >>> result
   0.5773502691896258
   

這樣就算出相似度啦～

ps：本文說的計算的字串，全是英文字串～～