Python字符串相似度计算：编辑距离与多种度量方法实战

阿麦

发布时间：2026-10-13| 3人浏览过

原创

本文深入解析Python中计算字符串相似性的多种方法，重点介绍编辑距离（Levenshtein Distance）及其变体。通过python-Levenshtein库和内置difflib模块，演示如何计算序列匹配比、Jaro距离及Jaro-Winkler距离。文章提供完整代码示例，涵盖拼写纠错、文本去重等应用场景下的具体实现与结果分析。

字符串相似性度量概述

字符串相似性比对在实际开发中应用广泛，常见场景包括拼写纠错、文本去重以及上下文语义相似度分析等。

评估字符串相似度最基础且常见的方法是编辑距离（Edit Distance），也称为Levenshtein距离。该方法通过计算将一个字符串转换为另一个字符串所需的最少编辑操作次数（包括插入、删除或替换字符）来衡量相似度。海明距离（Hamming Distance）则是编辑距离的一种特例，仅适用于等长字符串，它只统计对应位置上不同字符的数量（即替换操作的次数）。

除了编辑距离，其他常用的字符串相似度度量方法还包括Jaccard距离、J-W距离（即Jaro–Winkler距离）、余弦相似性（Cosine Similarity）以及欧氏距离（Euclidean Distance）等。

python-Levenshtein库实战

python-Levenshtein 库的使用指南

首先，需通过 pip install python-Levenshtein 命令安装Levenshtein库。


# -*- coding: utf-8 -*-
 
import difflib
# import jieba
import Levenshtein
 
str1 = "我的骨骼雪白 也长不出青稞"
str2 = "雪的日子 我只想到雪中去si"
 
# 1. difflib
seq = difflib.SequenceMatcher(None, str1,str2)
ratio = seq.ratio()
print 'difflib similarity1: ', ratio
 
# difflib 去掉列表中不需要比较的字符
seq = difflib.SequenceMatcher(lambda x: x in ' 我的雪', str1,str2)
ratio = seq.ratio()
print 'difflib similarity2: ', ratio
 
# 2. hamming距离，str1和str2长度必须一致，描述两个等长字串之间对应位置上不同字符的个数
# sim = Levenshtein.hamming(str1, str2)
# print 'hamming similarity: ', sim
 
# 3. 编辑距离，描述由一个字串转化成另一个字串最少的操作次数，在其中的操作包括 插入、删除、替换
sim = Levenshtein.distance(str1, str2)
print 'Levenshtein similarity: ', sim
 
# 4.计算莱文斯坦比
sim = Levenshtein.ratio(str1, str2)
print 'Levenshtein.ratio similarity: ', sim
 
# 5.计算jaro距离
sim = Levenshtein.jaro(str1, str2 )
print 'Levenshtein.jaro similarity: ', sim
 
# 6. Jaro–Winkler距离
sim = Levenshtein.jaro_winkler(str1 , str2 )
print 'Levenshtein.jaro_winkler similarity: ', sim

运行上述代码后，终端输出结果如下：

difflib similarity1: 0.246575342466 difflib similarity2: 0.0821917808219 Levenshtein similarity: 33 Levenshtein.ratio similarity: 0.27397260274 Levenshtein.jaro similarity: 0.490208958959 Levenshtein.jaro_winkler similarity: 0.490208958959

以上内容涵盖了Python中字符串相似度计算的核心方法与实操示例，希望能为读者的学习与工作提供有益参考，欢迎持续关注本站获取更多技术资讯。