字符串的相似度

DM——数据处理基础:距离和相似性 文章目录简单的概念:熵(entropy,也称信息熵)信息增益按属性A划分S后的熵 的定义:简单数据对象之间的相似度和相异度(线性)相关系数Correlation coefficientCosine 相似度Pearson相关系数常用距离函数一.间隔数值属性1.欧式(Euclidean)距离2.曼哈顿(Manhattan)距离二.二值属性Jaccard系数:附1.信息熵例题2.信息增益例题3.计算Jaccard系数 简单的概念: 相似度(Similarity) 两个对象相似程度的数值度量, 阅读详情

许多程序会大量使用字符串。对于不同的字符串,我们希望能够有办法判断其相似程序。我们定义一套操作方法来把两个不相同的字符串变得相同,具体的操作方法为:

  1.修改一个字符(如把“a”替换为“b”);

  2.增加一个字符(如把“abdd”变为“aebdd”);

  3.删除一个字符(如把“travelling”变为“traveling”);

  比如,对于“abcdefg”和“abcdef”两个字符串来说,我们认为可以通过增加/减少一个“g”的方式来达到目的。上面的两种方案,都仅需要一次 。把这个操作所需要的次数定义为两个字符串的距离,而相似度等于“距离+1”的倒数。也就是说,“abcdefg”和“abcdef”的距离为1,相似度为1/2=0.5。

给定任意两个字符串,你是否能写出一个算法来计算它们的相似度呢?


思路:经典的动态规划方法

一:从前往后

记Ai为字符串A(a1a2a3 … am)的前i个字符(即为a1,a2,a3 … ai)

记Bj为字符串B(b1b2b3 … bn)的前j个字符(即为b1,b2,b3 … bj)

记 f(i , j)为使两个字符串和Ai和Bj相等的最小操作次数,则

当ai==bj时,f(i, j)=f(i-1, j-1)

当ai!=bj时, 

    若将他们修改为相等,则至少还需要f(i-1, j-1)次操作;

    若删除ai或在Bj后添加ai,则至少还要操作f(i-1, j)次;

    若删除bj或在Ai后添加bj,则至少还要操作f(i, j-1)次;

    也即,f(i, j) = min(f(i-1, j-1), f(i-1, j), f(i, j-1))+1

#include <iostream>
#include <string>
using namespace std;

const int N = 100;

int minValue(int va, int vb, int vc)
{
	int temp = va;

	if(vb < temp)
		temp = vb;
	if(vc < temp)
		temp = vc;

	return temp;
}

int main()
{
	string A;
	string B;

	cin>>A;
	cin>>B;

	int lenA = A.length();
	int lenB = B.length();

	int dp[N][N];

	for (int i=0; i<=lenA; i++)
		dp[i][0] = i;
	for (int j=0; j<=lenB; j++)
		dp[0][j] = j;

	for (int i=1; i<=lenA; i++)
	{
		for (int j=1; j<=lenB; j++)
		{
			if(A[i-1]==B[j-1])
				dp[i][j] = dp[i-1][j-1];
			else
				dp[i][j] = minValue(dp[i-1][j], dp[i][j-1], dp[i-1][j-1])+1;
		}
	}

	for (int i=0; i<=lenA; i++)
	{
		for (int j=0; j<=lenB; j++)
		{
			cout<<dp[i][j]<<" ";
		}
		cout<<endl;
	}

	return 0;
}

优化:由于f(i,j)的计算只需要前一列和当前列的数据,所以可以进行进一步的优化

#include <iostream>
#include <string>
#include <vector>
using namespace std;

const int N = 100;

int minValue(int va, int vb, int vc)
{
	int temp = va;

	if(vb < temp)
		temp = vb;
	if(vc < temp)
		temp = vc;

	return temp;
}

int main()
{
	string A;
	string B;

	cin>>A;
	cin>>B;

	int lenA = A.length();
	int lenB = B.length();

	vector<int> dp(lenA+2);
	for (int i=0; i<=lenA; i++)
		dp[i+1] = i;

	for (int i=1; i<=lenB; i++)
	{
		dp[0] = i;

		for (int j=1; j<=lenA; j++)
		{
			if (A[j-1]!=B[i-1])
				dp[j] = minValue(dp[j-1], dp[j], dp[j+1])+1;
		}

		for (int j=lenA; j>=0; j--)
			dp[j+1] = dp[j];
	}
	
	cout<<dp[lenA+1];

	return 0;
}


二:从后往前

若ai==bj, 则f(i, j)=f(i+1, j+1)

若ai!=bj,则f(i, j)=min{f(i+1, j+1), f(i+1, j), f(i, j+1)}+1

#include <iostream>
#include <string>
using namespace std;

const int N = 100;

int minValue(int va, int vb, int vc)
{
	int temp = va;

	if(vb < temp)
		temp = vb;
	if(vc < temp)
		temp = vc;

	return temp;
}

int main()
{
	string A;
	string B;

	cin>>A;
	cin>>B;

	int lenA = A.length();
	int lenB = B.length();

	int dp[N][N];

	for(int i=lenB; i>=0; i--)
		dp[lenA][i] = lenB - i;
	for(int i=lenA; i>=0; i--)
		dp[i][lenB] = lenA - i;

	for (int i=lenA-1; i>=0; i--)
	{
		for (int j=lenB-1; j>=0; j--)
		{
			if(A[i]==B[j])
			dp[i][j] = dp[i+1][j+1];
			else
			dp[i][j] = minValue(dp[i+1][j], dp[i][j+1], dp[i+1][j+1])+1;

		}
	}

	

	for (int i=0; i<=lenA; i++)
	{
		for (int j=0; j<=lenB; j++)
		{
			cout<<dp[i][j]<<" ";
		}
		cout<<endl;
	}

	return 0;
}



基于Hadoop的文本相似度计算 基于Hadoop的文本相似度计算的代码 是用TFIDF 和向量空间模型,IKAnlayze来弄的 有代码,只是用来参考的 只是一个算法的演示,用于保存,以后查看的 立即下载

相关推荐

银河麒麟V10系统下VLC播放器安装全攻略(附3.0.9.2版本离线包下载)

本文详细介绍了在银河麒麟V10操作系统无网络环境下,从零开始编译安装VLC 3.0.9.2播放器的完整攻略。通过构建本地YUM仓库解决依赖问题,提供离线资源包下载,并逐步指导完成编译环境配置、软件编译与安装,帮助用户在国产麒麟系统上成功部署强大的多媒体播放能力。

a2b3c4d5e的博客 1227

计算字符串的相似度-两种解法

计算字符串的相似度

eversliver的专栏 2043

用Java实现森林冰火人游戏

g.drawString("游戏结束", CELL_SIZE * COLS / 2 - 100, CELL_SIZE * ROWS / 2);g.drawString("难度级别: " + difficultyLevel, 10, CELL_SIZE * ROWS + 60);g.drawString("生命值: " + playerHealth, 10, CELL_SIZE * ROWS + 20);setTitle("森林冰火人");

2401_82778412的博客 1736

Hive 添加 UDF 基于余弦向量计算文本相似度

1. scala 余弦算法。

Jerry的博客 1577

RML2016.10a (CNN、LSTM、CNN-LSTM、CNN-LSTM-Multi-head-attention, TensorFlow)

RML2016.10a (CNN、LSTM、CNN-LSTM、CNN-LSTM-Multi-head-attention, TensorFlow) 包含所有数据和代码,支持一键运行(jupyter)

qq_40999533的博客 1486

AI Agent Harness Engineering 创业PMF验证工具:用户满意度+留存率+业务指标监测表

在AI Agent创业的浪潮中,我们看到了无数产品如雨后春笋般涌现,但最终能够真正找到PMF并存活下来的却寥寥无几。根据CB Insights的数据,创业公司失败的首要原因(占42%)是"没有市场需求"——换句话说,就是没有找到PMF。AI Agent产品由于其特殊性(交互范式的变革、技术复杂度高、用户期望管理困难等),PMF验证变得更加具有挑战性。传统的SaaS产品PMF验证框架虽然有参考价值,但无法完全适用于AI Agent这种新型产品形态。

AI智能探索者的博客 336

字符串相似度

这个算法来源于网上,但忘记了出处,对其使使用了isSame封装,然后用在了自己的网页数据抓取代码中。 //求解两个字符串的相似度 int calculateStringDistance(const string &strA, const string &strB) { int lenA = (int)strA.length()+1; int lenB = (

wolfseek的专栏 668

QT-使用ECharts显示地图,还有更多惊艳的图表等待你的使用

QT-使用ECharts显示地图前言一、使用步骤1.下载示例2. QT使用HTML文件配置3.使用HTML文件4. 数据交互及自适应总结注意:这个地图是百度的在线地图,需要百度API密钥和在联网的状态下使用。离线使用图表 前言 我上文QT图表chart-饼状图,使用qt自带的图表库charts来显示图表,实现数据可视化,但是QT自带的图表库显示效果并不佳,通俗说,就是不好看。 然而,有这么一个开源图表库,图表种类极多,并且效果良好,能够实现具有很好的视觉冲击的数据可视化。 它就是Apache ECharts

博咯的博客 4901

计算两个字符串相(或句子)似度的方法

主要方法有:编辑距离、余弦相似度、模糊相似度百分比 1 编辑距离 编辑距离(Levenshtein距离)详解(附python实现) 使用Python计算文本相似性之编辑距离 def levenshtein(first, second): ''' 编辑距离算法(LevD) Args: 两个字符串 ...

yanqianglifei的专栏 1557

DreamerV3实战:如何用世界模型在Minecraft中自动挖钻石(附完整训练流程)

本文详细介绍了如何使用DreamerV3世界模型在Minecraft中训练AI智能体自动完成挖钻石的复杂任务。文章深入分析了该任务对强化学习的挑战,提供了从环境配置、模型训练到结果评估的完整实战流程,并分享了关键的调优技巧与问题解决方案,展示了基于模型的强化学习在解决稀疏奖励问题上的强大能力。

weixin_29050271的博客 194

SAP S/4HANA 中 RAP 业务对象接口的消费模式

本文探讨了SAP S/4HANA中RAP业务对象接口的消费模式,重点介绍了通过EML直接调用和CDS投影两种Clean Core开发路径。文章分析了BO Interface作为稳定契约的价值,并提供了BAdI集成、OData服务发布等实际场景案例,同时对比了OData V2/V4的技术选型考量,最后强调了ADT向导使用中的DCL权限注意事项。全文旨在帮助开发者构建升级友好的业务对象消费方案。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 760

XDOJ字符串相似度

//标题 //字符串相似度 // //类别 //字符串处理 //问题描述 //最长公共子串指给定的两个字符串之间最长的相同子字符串(忽略大小写),最长公共子串长度可用来定义字符串相似度。 //现给出两个字符串S1和S2,S1的长度为Len1,S2的长度为Len2,假设S1和S2的最长公共子串长度为LCS,则两个字符串的相似度定义为2LCS/(Len1+Len2)。 //例如:S1=”App”,S2=”apple”,S1长度为3,S2长度为5,它们的最长公共子串为”App”,长度为3,则相似度为23/(3

NiceAsiv的博客 2951

高通camx进程ExtensionModule::TeardownOverrideSession类型crash问题分析之一:【死锁导致】

摘要:本文分析了一个在相机老化测试中出现的pthread_cond_wait持锁超时导致的ExtensionModule::TeardownOverrideSession崩溃问题。通过crash堆栈和日志分析,发现close阶段存在近1分钟的无响应期。进一步分析trace文件发现存在多线程死锁:ChiFeature2Graph::GenerateSmartErrorCode和ChiFeature2RequestObject::SetCurRequestState两个线程分别持有不同锁并互相等待对方释放。最终

1111

python比较两个字符串相似度,【Python】比较字符串相似度

字符串相似度应用场景:拼写纠错、文本去重、上下文相似性、不同来源数据对比等。评价字符串相似度最常见的办法就是:把一个字符串通过插入、删除或替换这样的编辑操作,变成另外一个字符串,所需要的最少编辑次数,这种就是编辑距离(edit distance)度量方法,也称为Levenshtein距离。方法1、difflib模块1 # 优点:python自带模块,效率比较高2 def similar_diff_...

weixin_33380613的博客 6755

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Python中的字符串相似度

Python中的字符串相似度,

weixin_45841831的博客 6187

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

mysql对比字符串相似度_对比俩个字符串的相似度

package com.opslab.util.algorithmImpl;import com.opslab.util.CharsetUtil;import com.opslab.util.SysUtil;import java.io.ByteArrayInputStream;import java.io.InputStream;import java.io.UnsupportedEncodin...

weixin_35216469的博客 1910

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

拼音字符串相似度

语音识别出的结果并不一定是我们想要的汉子,例如:“张三” &“张叁”。所以如何判断识别出的结果是我们想要的,一种方法就是用到拼音的模糊比较。

m0_37749564的博客 1343

计算字符串的相似度

计算字符串的相似度

oligaga的博客 2276

mysql字符串相似度_LD算法获取字符串相似度

最近帮一个项目分析数据库瓶颈,于是想先通过SQL Profiler把SQL语句的运行数据抓下来,再对不同语句分类统计。这其中涉及一个如何识别相似语句的问题,于是上网找了找,一个叫Levenshtein Distance的算法比较简单,就写了段代码实现了一下,效果还不错。这个算法是一个俄国人Lvenshtein提出的,用于计算两个字符串之间,由一个转换成另一个所需的最少编辑操作次数。次数越少,表示两...

weixin_36193418的博客 1713

php 两个字符串相似度,比较两个字符串的相似度

比较两个字符串的相似度public class Levenshtein {private int compare(String str, String target) {int d[][]; // 矩阵int n = str.length();int m = target.length();int i; // 遍历str的int j; // 遍历target的char ch1; // str的ch...

weixin_42439576的博客 564

如何确定中文字符串的相似度

摘要在数据挖掘的研究中,我们往往需要判断文章是否雷同,对类似文章或短句进行归类处理等,这其中就会遇到这样的问题:如何确定两个字符串之间的相似程度。本文综合作者的实际工作经验和数据挖掘理论,结合中文字符串特性介绍一套相对完整的方法,以解决上述问题.。 分析     最简单的问题求解       字符串由一组不同含义的单词组成,它不同于数值型变量,可以用一个特定的数值来确定它的大小或位置,所以用何种方

Ryan的专栏 1819

mysql字符串相似度_对比俩个字符串的相似度

package com.opslab.util.algorithmImpl;import com.opslab.util.CharsetUtil;import com.opslab.util.SysUtil;import java.io.ByteArrayInputStream;import java.io.InputStream;import java.io.UnsupportedEncodin...

weixin_35881820的博客 874

python判断字符串相似度

参考Python 字符串相似性的几种度量方法 安装python-Levenshtein 直接去官网下载适合自己系统的python-Levenshtein.whl文件,进入文件目录,安装,如我的 pip install python_Levenshtein-0.12.0-cp37-cp37m-win_amd64.whl 测试字符串相似度算法 参考了上述链接的代码 # -*- coding: utf...

weixin_43120169的博客 2728

854. 相似度为 K 的字符串

题目 如果可以通过将 A 中的两个小写字母精确地交换位置 K 次得到与 B 相等的字符串,我们称字符串 A 和 B 的相似度为 K(K 为非负整数)。 给定两个字母异位词 A 和 B ,返回 A 和 B 的相似度 K 的最小值。 示例 1: 输入:A = "ab", B = "ba" 输出:1 示例 2: 输入:A = "abc", B = "bca" 输出:2 示例 3: 输入:A = "a...

blue‘s blog 618
上一篇: PBRT-v2在windows下的配置与使用
下一篇: 动态规划&备忘录方法&递归方法
traceorigin
博客等级 码龄15年 38粉丝 35原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值