Python中的Levenshtein距离-民族字符的错误结果

我发现了类似的主题：，但它是PHP，我用Python编写。尽管如此，问题仍然是一样的。例如： levenshteinkot，kod=1 levenshteinsię，sie=2，这是错误的。

---

有没有办法解决这个问题

首先，您必须确保字符串都是unicode格式。对于Python3，您可以自动执行该操作，但是在Python2中，您必须首先将字符串解码为unicode类型。例如sys.argv[1]。如果您知道控制台中的编码是utf-8，请解码“utf-8”。你可以试着猜测这个编码

之后，您可能需要规范化unicode。例如，unicode字符串u'\u00c7'和u'\u0043\u0327'具有相同的表示形式，但它们会比较为不相等，并且具有非零的levenshtein距离。要规范化字符串，可以使用unicodata.normalize函数

Python 2中的脚本可能如下所示：

import unicodedata
import sys
# import or define your levenshtein function here

def decode_and_normalize(s):
    return unicodedata.normalize('NFKC', s.decode('utf-8'))

s1 = decode_and_normalize(sys.argv[1])
s2 = decode_and_normalize(sys.argv[2])
print levenshtein(s1, s2)

---

毕竟，如果角色在外面，你可能仍然会遇到问题。关于这个问题，请看这个。

您使用的是Python 2.7吗？您是否将字符串输入或强制转换为unicode，例如usię或unicoderaw_输入？Python 2.7，编码utf-8和sys.argv。嗯，我刚刚发现任何带有民族特征的东西都比普通的lensię=4长。为什么我也试过：word1=unicodesys.argv[1]和/或word1=sys.argv[1]word1=unicodeOrd1，它停止了计算，因为word抛出了一个异常，我需要两个参数，只给了一个。谢谢，它工作了！我不能因为名声太小而放弃投票。不管怎样，现在我正在尝试稍微改变Leveshtein距离算法，使带有国家字符的单词和没有国家字符的单词被视为平等的。例如：levenshteinsię、sie=0、levenshteinjąkać、jakać=0等等。我创建了一个国家替换列表：[“ę”、“e”]、[“ą”、“a”]…]，但出现了一个错误：Unicode equal comparison未能将这两个参数转换为Unicode-将它们解释为不相等。怎么解决这个问题？@user4598392我想你还是可以接受这个答案的。要在Python2中使用unicode文本，请将u置于字符串之前。因此，替换将是[[u'ę'，u'e']，[u'ą'，u'a']…]；请结束话题，因为问题已经解决了。