String 两个不同长度字符串的b/t差异百分比

我遇到了一个问题，我试图阻止字符串的重复。到目前为止，最好的解决方案是比较字符串的百分比，并检查它是否高于某个固定点

我已经查找了Levenshtein距离，但到目前为止我认为它并没有达到我的目标，因为它比较了相同长度的字符串。我的两个字符串的长度很可能会有显著差异（堆栈跟踪）。我在寻找内容或单词的比较，而不是字符对字符的比较。百分比答案是其中最重要的部分

我想有人有一个算法或者愿意为我指出正确的方向？谢谢你的阅读，更感谢你的帮助

一个间接的例子。。。将它们视为py.test表单中的堆栈跟踪。 我有文件路径，正在比较它们

/test/opt/somedir/blah/something  
def do_something(self, x):
    return x
SomeError: do_something in 'filepath' threw some exception or something

vs

---

但是，当您有相同的文件路径，但有不同的错误时。这些痕迹有数百行长，因此显示完整的示例是不合理的。这个例子是我在没有实际跟踪的情况下所能得到的最接近的结果。

解决这个问题的一种方法是通过应用。幸运的是，这有一个很好的例子

让我们从三个字符串、两个示例和问题的开头开始：

s1 = u'''
/test/opt/somedir/blah/something  
def do_something(self, x):
    return x
SomeError: do_something in 'filepath' threw some exception or something'''

s2 = u'''
/test/opt/somedir/blah2/somethingelse
def do_another_thing(self, y):
    return y
SomeError: do_another_thing in 'different filepath' threw some exception'''

q = u'''
I have a problem where I am trying to prevent repeats of a string. So far the best solution is to compare the strings for a percentage and check if it is above a certain fixed point.'''

那么相似之处是：

>> jaro.jaro_metric(s1, s2)
0.8059572665529058

>> jaro.jaro_metric(s1, q)
0.6562121541167517

---

但是，由于您对问题域有所了解（这是一系列StackTrace行），您可以通过计算行差异来做得更好，也许：

import itertools

>> [jaro.jaro_metric(l1, l2) for l1, l2 in itertools.izip(s1.split('\n'), s2.split('\n'))]
[1.0,
 0.9353471118177001,
 0.8402824228911184,
 0.9444444444444443,
 0.8043725314852076]

---

因此，您需要对此进行实验，但您可以尝试，给定两个StackTrace，计算“距离”，这是一个矩阵-i-j条目将是第一个字符串的第i个字符串与第二个字符串的第j个字符串之间的相似性。（这在计算上有点昂贵。）看看是否有一个门槛来限制获得高分的条目的百分比或数量。

什么语言？许多语言都允许您简单地循环并逐字比较。如果你有一个特定的单词，你可以在每个字符串上使用正则表达式。我正在寻找更多的算法。不过Python会更好。我考虑过这个问题，但我不确定它如何处理不同长度的字符串，特别是当它是一个带有文件路径和代码的堆栈跟踪时（对于多个大型测试，是py.test输出）。Levenshtein不限于相同长度的字符串。@Ian你不傻，但它包括插入和擦除操作，所以它不限于相等的长度。顺便说一句，我必须说我根本不理解你的问题。你可以考虑添加一个简短的例子。最长的公共子串（或子序列）可能会给你一些信息。谢谢@ AMI。非常有用。我可能会使用带有字符串的应用程序（因为我的示例是错误的，我可能会有一两行额外的代码）。但这几乎完美地满足了我的需求。我试过之后会给你回复，不过谢谢你！

import itertools

>> [jaro.jaro_metric(l1, l2) for l1, l2 in itertools.izip(s1.split('\n'), s2.split('\n'))]
[1.0,
 0.9353471118177001,
 0.8402824228911184,
 0.9444444444444443,
 0.8043725314852076]