http://blog.csdn.net/pipisorry/article/details/46383947

编辑距离Edit distance/Levenshtein distance-序列之间的距离

X 和Y 的编辑距离定义为：从字符串strings X转换到 Y 需要的插入、删除、替换两个相邻的基本单位(字符)的最小个数。

给定 2 个字符串 a, b. 编辑距离是将 a 转换为 b 的最少操作次数，操作只允许如下 3 种：

插入一个字符，例如：fj -> fxj
删除一个字符，例如：fxj -> fj
替换一个字符，例如：fxj -> fyj

如：
ed (recoginze, recognize) = 1
ed (sailn, failing) = 3

编辑距离是一个动态规划的问题。

编辑距离常用在英语单词拼写检查中，可以使用有限自动机实现[宗成庆:《自然语言处理》讲义：第03章形式语言与自动机及其在自然语言处理中的应用NLP-03+FL_and_ItsApp.pdf]。

编辑距离与最长公共子序列LCS

子串的定义：one string is a sub-sequence of another if we can get the first by deleting 0 or more positions from the second.the positions of the deleted characters did not have to be consecutive.
计算x,y编辑距离的两种方式

第一种方式中我们可以逆向编辑：we can get from y to x by doing the same edits in reverse.delete u and v,and then we insert a to get x.

[海量数据挖掘Mining Massive Datasets(MMDs) -Jure Leskovec courses学习笔记之局部敏感哈希LSH的距离度量方法]

Note: lz代码证明了，并没有这种关系，这里只是一个特例碰巧而已，不知道是不是lcs定义不同还是怎么回事。如"bedaacbade"和 "dccaeedbeb"的lcs为5，而编辑距离为10，并没有以上关系。

扩展的编辑距离(Damerau-Levenshtein Distance)

扩展的编辑距离在思想上与编辑距离一样，只是除插入、删除和替换操作外，还支持 相邻字符的交换 这样一个操作，增加这个操作的考虑是人们在计算机上输入文档时的错误情况中，因为快速敲击而前后两个字符的顺序被输错的情况很常见。

皮皮blog

编辑距离的动态规划解

思路

用分治的思想解决比较简单，将复杂的问题分解成相似的子问题。

假设字符串 a, 共 m 位，从 a[1] 到 a[m]，字符串 b, 共 n 位，从 b[1] 到 b[n]
d[i][j] 表示字符串 a[1]-a[i] 转换为 b[1]-b[j] 的编辑距离。

那么有如下递归规律（a[i] 和 b[j] 分别是当前要计算编辑距离的子字符串 a 和 b 的最后一位）：

当 a[i] 等于 b[j] 时，d[i][j] = d[i-1][j-1], 比如 fxy -> fay 的编辑距离等于 fx -> fa 的编辑距离
当 a[i] 不等于 b[j] 时，d[i][j] 等于如下 3 项的最小值：
- d[i-1][j] + 1（删除 a[i]（删除等价于插入操作，相当于插入b中插入a[i[）），比如 fxy -> fab 的编辑距离 = fx -> fab 的编辑距离 + 1
- d[i][j-1] + 1（删除 b[j]或者插入b[j])，比如 fxy -> fab 的编辑距离 = fxyb -> fab 的编辑距离 + 1 = fxy -> fa 的编辑距离 + 1
- d[i-1][j-1] + 1（将a[i]b[j]同时删除（等价于交换操作）），比如 fxy -> fab 的编辑距离 = fxb -> fab 的编辑距离 + 1 = fx -> fa 的编辑距离 + 1

递归边界：

a[i][0] = i, b 字符串为空，表示将 a[1]-a[i] 全部删除，所以编辑距离为 i
a[0][j] = j, a 字符串为空，表示 a 插入 b[1]-b[j]，所以编辑距离为 j

递归思路代码

按照上面的思路将代码写下来

int edit_distance(char *a, char *b, int i, int j)
{if (j == 0) {return i;} else if (i == 0) {return j;// 算法中 a, b 字符串下标从 1 开始，c 语言从 0 开始，所以 -1} else if (a[i-1] == b[j-1]) {return edit_distance(a, b, i - 1, j - 1);} else {return min_of_three(edit_distance(a, b, i - 1, j) + 1,edit_distance(a, b, i, j - 1) + 1,edit_distance(a, b, i - 1, j - 1) + 1);}
}edit_distance(stra, strb, strlen(stra), strlen(strb));

但是这个代码的性能很低下，时间复杂度是指数增长的，很多相同的子问题其实是经过了多次求解。

解决这类问题的办法是1 使用记忆

ins = dict()
def edit_distance(w1, w2, i, j):if (i, j) in ins:return ins[(i, j)]if len(w1) <= i:return len(w2) - jif len(w2) <= j:return len(w1) - iif w1[i] == w2[j]:minl = edit_distance(w1, w2, i + 1, j + 1)else:minl = min(edit_distance(w1, w2, i + 1, j + 1), edit_distance(w1, w2, i, j + 1), edit_distance(w1, w2, i + 1, j)) + 1ins[(i, j)] = minlreturn minl

2 使用动态规划。

用动态规划思想优化时间复杂度

以上解决思路是从后往前算的，想知道 edit_distance(a, b, i, j) 就需要知道 edit_distance(a, b, i-1, j-1)。
如果从前往后算，先算出各个子问题，然后根据子问题，计算出原问题。

例如以字符串 a = "ace", b = "abcdef" 为例：

首先建立一个矩阵，用来存放子问题及原问题的编辑距离，并将递归边界在矩阵中填好，如下：

0

a

b

c

d

e

f

0

0

1

2

3

4

5

6

a

1

c

2

e

3

然后计算 i = 1, j = 1 所对应的编辑距离：比较 a[i] 和 b[j] 是否相等然后根据递归规律算出这个值
比如在这种情况下 a[i] = a 和 b[j] = a, 那么 d[i][j] 就等于 d[i-1][j-1] 等于 0
然后计算 i = 1, j = 2 直到算出 i = 3, j = 6, 原问题的编辑距离就等于 d[3][6]
最终矩阵如下：

	0	a	b	c	d	e	f
0	0	1	2	3	4	5	6
a	1	0	1	2	3	4	5
c	2	1	1	1	2	3	4
e	3	2	2	2	2	2	3

即要计算d[i][j]只需要知道3个位置上的值。

代码如下：

int edit_distance(char *a, char *b){int lena = strlen(a);int lenb = strlen(b);int d[lena+1][lenb+1];int i, j;for (i = 0; i <= lena; i++) {d[i][0] = i;}for (j = 0; j <= lenb; j++) {d[0][j] = j;}for (i = 1; i <= lena; i++) {for (j = 1; j <= lenb; j++) {// 算法中 a, b 字符串下标从 1 开始，c 语言从 0 开始，所以 -1if (a[i-1] == b[j-1]) {d[i][j] = d[i-1][j-1];} else {d[i][j] = min_of_three(d[i-1][j]+1, d[i][j-1]+1, d[i-1][j-1]+1);}}}return d[lena][lenb];
}

def edit_distance(w1, w2):len1 = len(w1)len2 = len(w2)matrix = [[0 for _ in range(len2 + 1)] for _ in range(len1 + 1)]for j in range(len2):matrix[0][j + 1] = j + 1for i in range(len1):matrix[i + 1][0] = i + 1for i in range(1, len1 + 1):for j in range(1, len2 + 1):if w1[i - 1] == w2[j - 1]:matrix[i][j] = matrix[i - 1][j - 1]else:matrix[i][j] = min(matrix[i - 1][j], matrix[i - 1][j - 1], matrix[i][j - 1]) + 1return matrix[len1][len2]

这个算法的时间复杂度为O(mn)。

空间复杂度为 O(mn)，空间复杂度可以继续优化，因为计算矩阵某位置值的时候总是需要有限的量，同一时间并不需要所有矩阵的值。

根据具体问题优化空间复杂度

还是以 a = "fxy", b = "fab" 为例，例如计算 d[1][3], 也就是下图中的绿色方块，我们需要知道的值只需 3 个，下图中蓝色方块的值

进一步分析，我们知道，当计算 d[1] 这行的时候，我们只需知道 d[0] 这行的值，同理我们计算当前行的时候只需知道上一行就可以了。
再进一步分析，其实我们只需要一行就可以了，每次计算的时候我们需要的 3 个值，其中上边和左边的值我们可以直接得到，坐上角的值需要临时变量（如下代码使用 old）来记录。

代码如下：

int edit_distance(char *a, char *b){int lena = strlen(a);int lenb = strlen(b);int d[lenb+1];int i, j, old, tnmp;for (j = 0; j <= lenb; j++) {d[j] = j;}for (i = 1; i <= lena; i++) {old = i - 1;d[0] = i;for (j = 1; j <= lenb; j++) {temp = d[j];// 算法中 a, b 字符串下标从 1 开始，c 语言从 0 开始，所以 -1if (a[i-1] == b[j-1]) {d[j] = old;} else {d[j] = min_of_three(d[j] + 1, d[j-1] + 1, old + 1);}old = temp;}}return d[lenb];
}

写代码的过程中需要注意的一点就是，当一行计算好之后开始下一行的时候，要初始化 old 和 d[0] 的值

优化过后时间复杂度还是 O(mn), 空间复杂度 O(min(m,n))。

皮皮blog

DTW 距离（Dynamic Time Warp）

时间序列是序列之间距离的另外一个例子。DTW 距离（Dynamic Time Warp）是序列信号在时间或者速度上不匹配的时候一种衡量相似度的方法。举个例子，两份原本一样声音样本A、B都说了“你好”，A在时间上发生了扭曲，“你”这个音延长了几秒。最后A:“你~~好”，B：“你好”。DTW正是这样一种可以用来匹配A、B之间的最短距离的算法。DTW 距离在保持信号先后顺序的限制下对时间信号进行“膨胀”或者“收缩”，找到最优的匹配，与编辑距离相似，这其实也是一个动态规划的问题。

实现代码

import sysdistance = lambda a,b : 0 if a==b else 1def dtw(sa,sb):'''>>>dtw(u"干啦今今今今今天天气气气气气好好好好啊啊啊", u"今天天气好好啊")2'''MAX_COST = 1<<32#初始化一个len(sb) 行(i)，len(sa)列(j)的二维矩阵len_sa = len(sa)len_sb = len(sb)# BUG:这样是错误的(浅拷贝): dtw_array = [[MAX_COST]*len(sa)]*len(sb)dtw_array = [[MAX_COST for i in range(len_sa)] for j in range(len_sb)]dtw_array[0][0] = distance(sa[0],sb[0])for i in xrange(0, len_sb):for j in xrange(0, len_sa):if i+j==0:continuenb = []if i > 0: nb.append(dtw_array[i-1][j])if j > 0: nb.append(dtw_array[i][j-1])if i > 0 and j > 0: nb.append(dtw_array[i-1][j-1])min_route = min(nb)cost = distance(sa[j],sb[i])dtw_array[i][j] = cost + min_routereturn dtw_array[len_sb-1][len_sa-1]def main(argv):s1 = u'干啦今今今今今天天气气气气气好好好好啊啊啊's2 = u'今天天气好好啊'd = dtw(s1, s2)print dreturn 0if __name__ == '__main__':sys.exit(main(sys.argv))

[动态时间归整 | DTW | Dynamic Time Warping]

from: http://blog.csdn.net/pipisorry/article/details/46383947

ref: [编辑距离 (Edit distance)]

[leetcode地址https://leetcode-cn.com/problems/edit-distance/]

编辑距离Edit distance相关推荐

详解编辑距离(Edit Distance)及其代码实现
概述编辑距离(Minimum Edit Distance,MED),由俄罗斯科学家 Vladimir Levenshtein 在1965年提出,也因此而得名 Levenshtein Distance ...
python 编辑距离_python实现编辑距离edit distance
1.定义理解 edit distance--指两个字符串之间,一个转为另一个的最小编辑次数(方式有:插入/删除/替换) 若edit distance越小,则字符串之间的相似度越高. 例1: 输入: w ...
编辑距离(Edit Distance) 一文读懂（Python实现）
在NLP任务中经常会碰到比较两个字符串的相似度,比如拼写纠错和指代判断.用户很可能在搜索时输入错别字,比如"微信"输成了"为信",但是搜索引擎返回的结果纠正为& ...
字符串编辑距离（Edit Distance）
一.问题描述定义字符串编辑距离(Edit Distance),是俄罗斯科学家 Vladimir Levenshtein 在 1965 年提出的概念,又称 Levenshtein 距离,是指两个字符 ...
Edit Distance编辑距离（NM tag）- sam/bam格式解读进阶
sam格式很精炼,几乎包含了比对的所有信息,我们平常用到的信息很少,但特殊情况下,我们会用到一些较为生僻的信息,关于这些信息sam官方文档的介绍比较精简,直接看估计很难看懂. 今天要介绍的是如何通过b ...
mysql 编辑距离搜索_最小编辑距离（Minimum Edit Distance）
最小编辑距离 1)定义编辑距离(Minimum Edit Distance,MED),又称Levenshtein距离,是指两个字符串之间,由一个转成另一个所需要的最少编辑操作次数.允许的编辑操作包括 ...
stanford NLP学习笔记3：最小编辑距离（Minimum Edit Distance）
I. 最小编辑距离的定义最小编辑距离旨在定义两个字符串之间的相似度(word similarity).定义相似度可以用于拼写纠错,计算生物学上的序列比对,机器翻译,信息提取,语音识别等. 编辑距离就 ...
Minimum edit distance（levenshtein distance）(最小编辑距离)初探
最小编辑距离的定义:编辑距离(Edit Distance),又称Levenshtein距离.是指两个字串之间,由一个转成还有一个所需的最少编辑操作次数.许可的编辑操作包含将一个字符替换成还有一个字符. ...
[LeetCode] One Edit Distance 一个编辑距离
Given two strings S and T, determine if they are both one edit distance apart. 这道题是之前那道Edit Distance ...
编辑距离算法（Edit Distance）
目录一.概念二.算法过程三.举例说明四.Python实现 1. 递归方式 2. 动态规划 3. Jupyter Notebook 步骤分解一.概念编辑距离的作用主要是用来比较两个字符串的相 ...

编辑距离Edit distance