sequences - 测量两个字符串序列之间相似性的算法

Question

如何测量两个字符串序列之间的相似性百分比？

我有两个文本文件，在文件中序列的写法如下

第一个文件:

AAA BBB DDD CCC GGG MMM AAA MMM

第二个文件:

BBB DDD CCC MMM AAA MMM

如何根据字符串顺序来衡量这两个文件之间的相似性？

例如，在上面的示例中，由于字符串顺序相同，两个文件具有相似性，但 file-2 中缺少一些字符串。什么算法最适合解决这个问题，以便我可以测量两个字符串的顺序而不是字符串的频率有多相似？

Answer 1

您可以使用Levenstein Distance算法。它分析将一个字符串转换为另一个字符串需要多少次编辑。 This文章对此进行了很好的解释，并提供了示例实现。

从 Codeproject 复制粘贴:

1.  Set n to be the length of s. ("GUMBO")
    Set m to be the length of t. ("GAMBOL")
    If n = 0, return m and exit.
    If m = 0, return n and exit.
    Construct two vectors, v0[m+1] and v1[m+1], containing 0..m elements.
2.  Initialize v0 to 0..m.
3.  Examine each character of s (i from 1 to n).
4.  Examine each character of t (j from 1 to m).
5.  If s[i] equals t[j], the cost is 0.
    If s[i] is not equal to t[j], the cost is 1.
6.  Set cell v1[j] equal to the minimum of:
    a. The cell immediately above plus 1: v1[j-1] + 1.
    b. The cell immediately to the left plus 1: v0[j] + 1.
    c. The cell diagonally above and to the left plus the cost: v0[j-1] + cost.
7.  After the iteration steps (3, 4, 5, 6) are complete, the distance is found in the cell v1[m].