引入

衡量兩個序列的相似度，可以用馬氏距離，歐氏距離等距離公式來度量。

但對兩個字串，比如kitten與sitting的相似度是多少？

如果是兩個等長字串，也可以用one-hot對每個字母編碼，然後用馬氏、歐式距離也可以計算。但對不等長的兩個字串，怎麼計算相似度呢？

更一般的說法，如何計算兩個不等長陣列的相似度呢？

萊文斯坦（Levenshtein）距離

萊文斯坦距離就用是來解決這個問題的。先看它的公式：

其中a，b是兩個陣列（字串），i/j是陣列下標。萊文斯坦距離的含義，是求將a變成b（或將b變成a），所需要做的最少次數的變換。

舉個例子，字串”kitten”與”sitting”的萊文斯坦距離

• kitten → sitten (字元k變為s)
• sitten → sittin (字元e變成i)
• sittin → sitting (在末尾插入字元g)

python實現

（1）安裝Levenshtein模組

pip install python-Levenshtein

（2）計算兩個字串的相似度

import Levenshtein
s1 = 'kitten'
s2 = 'sitting'

ratio = Levenshtein.ratio(s1, s2)
dist = Levenshtein.distance
 
(s1, s2)
print('ratio={0}, dist={1}'.format(ratio, dist))
# ratio=0.6153846153846154, dist=3

（3）計算兩個字串list的相似度

import Levenshtein
a = ['1','2','3','4','5']
b = ['2','3','4']

Levenshtein.seqratio(a, b)# 0.75