Edit Distance

本文介绍了一种计算两个字符串之间的编辑距离的算法,并通过动态规划的方法实现了该算法。具体包括了如何通过插入、删除或替换字符来计算从一个字符串转换到另一个字符串所需的最小步骤。

题意:将一个字符串转为另外一个字符串需要的步数,可以插入、删除、替换一个字符,求需要的最少的操作步数。
思路:动规解决。Distance[i][j]记录操作步数。
考虑str1c和str2d,若是c == d,则Distance[i][j] = Distance[i-1][j] +1;
若是在c后面添加一个d,则是Distance[i][j] = Distance[i][j-1] +1;
若是将c删除,则是Distance[i][j] = Distance[i-1][j] +1;

代码:

package com.editDistance;

public class editDistance {
    public int calDistance(String word1 , String word2){
        int m = word1.length();
        int n = word2.length();
        int[][] Distance = new int[m+1][n+1];
        for (int i = 0; i < m; i++) {
            Distance[i][0] = i;
        }       
        for (int i = 0; i < n; i++) {
            Distance[0][i] = i;
        }
        for(int i = 1 ; i <= m ; i++){
            for(int j = 1 ; j<= n ;j++){
                if(word1.charAt(i-1) == word2.charAt(j-1)){
                    Distance[i][j] = Distance[i-1][j-1];
                }
                else{
                    int dis = Math.min(Distance[i-1][j], Distance[i][j-1]);
                    Distance[i][j] = 1+Math.min(dis, Distance[i-1][j-1]);
                }
            }
        }
        return Distance[m][n];
    }
    public static void main(String[] args) {
        //若word1需要修改的字符数大于word2的长度,则操作的步数直接是word2的长度(先一步步删除word2,再进行替换)
        String word1 = "nex12345vsfvfvev";
        String word2 = "nex12";
        System.out.println(new editDistance().calDistance(word1, word2));
    }
}
### 定义 编辑距离(Edit Distance),也称为Levenshtein距离,是衡量两个字符串之间相似程度的度量方法。它定义了通过插入、删除和替换操作将一个字符串转换为另一个字符串所需的最小操作次数。在信息论、语言学和计算机科学领域,它是用来度量两个序列相似程度的指标,通俗来讲,指的是在两个单词之间,由其中一个单词转换为另一个单词所需要的最少单字符编辑操作次数 [^1][^2]。 ### 使用方法 编辑距离可用于多种场景,如拼写检查、自然语言处理中的文本相似度计算等。例如在拼写检查中,对于用户输入的错误单词,可以通过计算它与词库中单词的编辑距离,找出编辑距离最小的单词作为建议的正确拼写。在计算两个字符串的编辑距离时,需要提供两个字符串作为输入,计算结果是一个非负整数,表示将一个字符串转换为另一个字符串所需的最小操作次数。例如可以使用编辑距离计算 "intention" 和 "execution" 的最小编辑距离 [^3]。 ### 实现代码 以下分别给出C#、Python和JavaScript的实现示例: #### C# 实现 ```csharp using System; class EditDistance { public static int Calculate(string s1, string s2) { int m = s1.Length; int n = s2.Length; int[,] dp = new int[m + 1, n + 1]; for (int i = 0; i <= m; i++) { for (int j = 0; j <= n; j++) { if (i == 0) { dp[i, j] = j; } else if (j == 0) { dp[i, j] = i; } else if (s1[i - 1] == s2[j - 1]) { dp[i, j] = dp[i - 1, j - 1]; } else { dp[i, j] = 1 + Math.Min(dp[i - 1, j - 1], Math.Min(dp[i - 1, j], dp[i, j - 1])); } } } return dp[m, n]; } } ``` #### Python 实现 ```python def min_edit_distance(source, target): m = len(source) n = len(target) dp = [[0 for _ in range(n + 1)] for _ in range(m + 1)] for i in range(m + 1): for j in range(n + 1): if i == 0: dp[i][j] = j elif j == 0: dp[i][j] = i elif source[i - 1] == target[j - 1]: dp[i][j] = dp[i - 1][j - 1] else: dp[i][j] = 1 + min(dp[i - 1][j - 1], dp[i - 1][j], dp[i][j - 1]) return dp[m][n] source = "intention" target = "execution" mde = min_edit_distance(source, target) print(mde) ``` #### JavaScript 实现 ```javascript function minEditDistance(word1, word2) { const m = word1.length; const n = word2.length; const dp = Array.from({ length: m + 1 }, () => Array(n + 1).fill(0)); for (let i = 0; i <= m; i++) { for (let j = 0; j <= n; j++) { if (i === 0) { dp[i][j] = j; } else if (j === 0) { dp[i][j] = i; } else if (word1[i - 1] === word2[j - 1]) { dp[i][j] = dp[i - 1][j - 1]; } else { dp[i][j] = 1 + Math.min(dp[i - 1][j - 1], dp[i - 1][j], dp[i][j - 1]); } } } return dp[m][n]; } const source = "intention"; const target = "execution"; const mde = minEditDistance(source, target); console.log(mde); ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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