Python Levenstein距离子串

有没有一种好方法可以使用levenstein距离将一个特定字符串与第二个较长字符串中的任何区域进行匹配

例如：

str1='aaaaa'
str2='bbbbbbaabaabbbb'

if str1 in str2 with a distance < 2:
    return True

str1='aaaaa'
str2='bbbbbb aabbbbbb'
如果str1位于距离小于2的str2中：
返回真值

因此，在上面的示例中，字符串2的一部分是

aabaa

和

distance（str1，str2）<2

，因此语句应该返回

True

---

我能想到的唯一方法是一次从str2中取出5个字符，与str1进行比较，然后在str2中重复这个过程。不幸的是，这似乎效率很低，我需要以这种方式处理大量数据。

技巧通常是使用插入（较短）或删除（较长）成本。你也可以考虑使用DaMaul-LevsTein。

---

诀窍是生成所有长度适当的

b

子字符串，然后比较每个子字符串

def lev_dist(a,b):
    length_cost = abs(len(a) - len(b))
    diff_cost = sum(1 for (aa, bb) in zip(a,b) if aa != bb)
    return diff_cost + length_cost

def all_substr_of_length(n, s):
    if n > len(s):
        return [s]
    else:
        return [s[i:i+n] for i in range(0, len(s)-n+1)]

def lev_substr(a, b):
    """Gives minimum lev distance of all substrings of b and
    the single string a.
    """

    return min(lev_dist(a, bb) for bb in all_substr_of_length(len(a), b))

if lev_substr(str1, str2) < 2:
    # it works!

def lev_dist（a、b）：
长度成本=abs（长度（a）-长度（b））
差异成本=总和（如果aa！=bb，则拉链（a，b）中的（aa，bb）为1）
返回差异成本+长度成本
定义长度（n，s）的所有子项：
如果n>len（s）：
返回[s]
其他：
为范围（0，len（s）-n+1）内的i返回[s[i:i+n]
def lev_substr（a、b）：
“”“给出b和的所有子串的最小lev距离
单字符串a。
"""
返回最小值（所有长度（len（a），b））中bb的水平距离（a，bb））
如果级别substr（str1、str2）<2：
#它起作用了！

您可以看看支持模糊匹配的：

>>> import regex
>>> regex.search("(aaaaa){s<2}", 'bbbbbbaabaabbbb')
<regex.Match object; span=(6, 11), match='aabaa', fuzzy_counts=(1, 0, 0)>

导入正则表达式

---

>>>正则表达式搜索（“（aaaaa）{sLevenstein距离，仅用于

str2

的5个长度的子字符串或所有子字符串（例如，较短的4个字符和较长的6个字符，其Levenstein距离可能为1）？@Mr.Xcoder这是我的想法，但我需要处理每行10GB的文件，我认为这会非常慢。所以只有5个长度的子字符串？@Mr.Xcoder是的，我可以试试看它有多慢。为了好玩，我在Haskell中实现了这个

str1='aaaaa'
str2='bbbbbbaabaabbbb'
for s in [str2[i:i+len(str1)] for i in range(0,len(str2)-len(str1)+1)]:
    if sum(a!=b for a,b in zip(str1,s))<2:
        print s    # prints 'aabaa'