将字符串与容差进行比较

Posted

技术标签:

【中文标题】将字符串与容差进行比较【英文标题】:Comparing strings with tolerance 【发布时间】:2011-01-21 14:34:00 【问题描述】:

我正在寻找一种将字符串与字符串数组进行比较的方法。进行精确搜索当然很容易,但我希望我的程序能够容忍拼写错误、字符串的缺失部分等等。

是否有某种框架可以执行这样的搜索?我有一些想法,搜索算法将按匹配百分比或类似的东西返回一些结果顺序。

【问题讨论】:

【参考方案1】:

.NET 框架中没有任何东西可以帮助您实现开箱即用。

最常见的拼写错误是那些字母是单词的正确拼音,但不是单词的正确拼写。

例如,可以说swordsord(是的,那是一个词)这两个词具有相同的语音词根(发音时它们听起来相同)。

话虽如此,您可以使用多种算法将单词(甚至是拼写错误的单词)翻译成语音变体。

第一个是Soundex。实现起来相当简单,并且有相当数量的.NET implementations of this algorithm。它相当简单,但它为您提供了可以相互比较的真实值。

另一个是Metaphone。虽然我找不到 Metaphone 的本机 .NET 实现,但提供的链接包含指向许多其他可以转换的实现的链接。最容易转换的可能是Java implementation of the Metaphone algorithm。

需要注意的是,Metaphone 算法已经过修改。有Double Metaphone(有一个.NET implementation)和Metaphone 3。 Metaphone 3 是一个商业应用程序,但在针对常用英语单词的数据库运行时,其准确率是 98%,而 Double Metaphone 算法的准确率是 89%。根据您的需要,您可能想要寻找(在 Double Metaphone 的情况下)或购买(在 Metaphone 3 的情况下)算法的源代码并通过 P/Invoke 层转换或访问它(有 C++ 实现很多)。

Metaphone 和 Soundex 的区别在于 Soundex 生成固定长度的数字键,而 Metaphone 生成不同长度的键,因此结果会有所不同。最后,两者都会为您做同样的比较,您只需要根据您的要求和资源(当然还有拼写错误的容忍度)找出最适合您的需求。

【讨论】:

【参考方案2】:

这是 LevenshteinDistance 方法的一个实现,它使用更少的内存,同时产生相同的结果。这是对 wikipedia article 中“具有两个矩阵行的迭代”标题下的伪代码的 C# 改编。

public static int LevenshteinDistance(string source, string target)

    // degenerate cases
    if (source == target) return 0;
    if (source.Length == 0) return target.Length;
    if (target.Length == 0) return source.Length;

    // create two work vectors of integer distances
    int[] v0 = new int[target.Length + 1];
    int[] v1 = new int[target.Length + 1];

    // initialize v0 (the previous row of distances)
    // this row is A[0][i]: edit distance for an empty s
    // the distance is just the number of characters to delete from t
    for (int i = 0; i < v0.Length; i++)
        v0[i] = i;

    for (int i = 0; i < source.Length; i++)
    
        // calculate v1 (current row distances) from the previous row v0

        // first element of v1 is A[i+1][0]
        //   edit distance is delete (i+1) chars from s to match empty t
        v1[0] = i + 1;

        // use formula to fill in the rest of the row
        for (int j = 0; j < target.Length; j++)
        
            var cost = (source[i] == target[j]) ? 0 : 1;
            v1[j + 1] = Math.Min(v1[j] + 1, Math.Min(v0[j + 1] + 1, v0[j] + cost));
        

        // copy v1 (current row) to v0 (previous row) for next iteration
        for (int j = 0; j < v0.Length; j++)
            v0[j] = v1[j];
    

    return v1[target.Length];

这是一个可以为您提供相似度百分比的函数。

/// <summary>
/// Calculate percentage similarity of two strings
/// <param name="source">Source String to Compare with</param>
/// <param name="target">Targeted String to Compare</param>
/// <returns>Return Similarity between two strings from 0 to 1.0</returns>
/// </summary>
public static double CalculateSimilarity(string source, string target)

    if ((source == null) || (target == null)) return 0.0;
    if ((source.Length == 0) || (target.Length == 0)) return 0.0;
    if (source == target) return 1.0;

    int stepsToSame = LevenshteinDistance(source, target);
    return (1.0 - ((double)stepsToSame / (double)Math.Max(source.Length, target.Length)));

【讨论】:

【参考方案3】:

您的另一个选择是使用 Soundex 或 Metaphone 进行语音比较。我刚刚完成了一篇介绍这两种算法的 C# 代码的文章。您可以在http://www.blackbeltcoder.com/Articles/algorithms/phonetic-string-comparison-with-soundex查看。

【讨论】:

【参考方案4】:

您可以使用Levenshtein Distance algorithm。

“两个字符串之间的 Levenshtein 距离定义为将一个字符串转换为另一个字符串所需的最小编辑次数,允许的编辑操作是插入、删除或替换单个字符。” em> - Wikipedia.com

这个来自dotnetperls.com:

using System;

/// <summary>
/// Contains approximate string matching
/// </summary>
static class LevenshteinDistance

    /// <summary>
    /// Compute the distance between two strings.
    /// </summary>
    public static int Compute(string s, string t)
    
        int n = s.Length;
        int m = t.Length;
        int[,] d = new int[n + 1, m + 1];

        // Step 1
        if (n == 0)
        
            return m;
        

        if (m == 0)
        
            return n;
        

        // Step 2
        for (int i = 0; i <= n; d[i, 0] = i++)
        
        

        for (int j = 0; j <= m; d[0, j] = j++)
        
        

        // Step 3
        for (int i = 1; i <= n; i++)
        
            //Step 4
            for (int j = 1; j <= m; j++)
            
                // Step 5
                int cost = (t[j - 1] == s[i - 1]) ? 0 : 1;

                // Step 6
                d[i, j] = Math.Min(
                    Math.Min(d[i - 1, j] + 1, d[i, j - 1] + 1),
                    d[i - 1, j - 1] + cost);
            
        
        // Step 7
        return d[n, m];
    


class Program

    static void Main()
    
        Console.WriteLine(LevenshteinDistance.Compute("aunt", "ant"));
        Console.WriteLine(LevenshteinDistance.Compute("Sam", "Samantha"));
        Console.WriteLine(LevenshteinDistance.Compute("flomax", "volmax"));
    

实际上,您可能更喜欢使用Damerau-Levenshtein distance algorithm,它还允许转置字符,这是数据输入中常见的人为错误。你会发现它的 C# 实现here。

【讨论】:

在这种情况下,我不得不反对 Levenshtein Distance。虽然这对于弄清楚两个字符串的不同之处非常有用,但拼写错误往往会保留正确的语音。例如,LD 算法可能表明“cool cat”和“kool kat”相似(我相信这是发帖人希望的),而 Soundex 和 Metaphone 更可能表明相似性在这些单词/短语之间。 @casperOne:如果不知道它所应用的数据集很难说,但同意没有一刀切的方法。我是双变位的忠实粉丝。 @RedFilter 嗨..我使用了 levenshtein 距离...但我实际上是在比较世界的国家或地区。因此,如果我将容忍度保持为 2,则显示奥地利和澳大利亚相同。同时,美国和美国表现得不同。这个问题我该怎么办? @JayNirgudkar 在这种情况下,我将有更多的昵称/缩写数据,我也会与之进行比较。【参考方案5】:

这里有两种方法可以计算字符串之间的Levenshtein Distance。

两个字符串之间的 Levenshtein 距离定义为将一个字符串转换为另一个字符串所需的最小编辑次数,允许的编辑操作是插入、删除或替换单个字符。

获得结果后,您需要定义要用作匹配或不匹配阈值的值。对一组样本数据运行该函数,以更好地了解它是如何帮助确定您的特定阈值的。

    /// <summary>
    /// Calculates the Levenshtein distance between two strings--the number of changes that need to be made for the first string to become the second.
    /// </summary>
    /// <param name="first">The first string, used as a source.</param>
    /// <param name="second">The second string, used as a target.</param>
    /// <returns>The number of changes that need to be made to convert the first string to the second.</returns>
    /// <remarks>
    /// From http://www.merriampark.com/ldcsharp.htm
    /// </remarks>
    public static int LevenshteinDistance(string first, string second)
    
        if (first == null)
        
            throw new ArgumentNullException("first");
        
        if (second == null)
        
            throw new ArgumentNullException("second");
        

        int n = first.Length;
        int m = second.Length;
        var d = new int[n + 1, m + 1]; // matrix

        if (n == 0) return m;
        if (m == 0) return n;

        for (int i = 0; i <= n; d[i, 0] = i++)
        
        

        for (int j = 0; j <= m; d[0, j] = j++)
        
        

        for (int i = 1; i <= n; i++)
        

            for (int j = 1; j <= m; j++)
            
                int cost = (second.Substring(j - 1, 1) == first.Substring(i - 1, 1) ? 0 : 1); // cost
                d[i, j] = Math.Min(
                    Math.Min(
                        d[i - 1, j] + 1,
                        d[i, j - 1] + 1),
                    d[i - 1, j - 1] + cost);
            
        

        return d[n, m];
    

【讨论】:

以上是关于将字符串与容差进行比较的主要内容,如果未能解决你的问题,请参考以下文章

具有错误字符容差的最长公共子串

arcgis捕捉容差设置多少能完全重合

CMDB与容灾备份的关联

云原生高可用与容灾系列: Pod 打散调度

匹配两个具有容差的非常大的向量(快速!但节省工作空间)

Oracle Goldengate数据库复制与容灾项目实施与维护_OGG实战培训