python – 找到与目标字符串N字符长度最小距离的“N Gram”子字符串

我正在寻找一种算法,最好用Python来帮助我找到最接近目标字符串N字符长的现有字符串,N字符长.

考虑目标字符串,即4个字符长,为：

targetString -> '1111'

假设这是我可以使用的字符串(我将为“最佳对齐”匹配生成此字符串)：

nonEmptySubStrings -> ['110101']

上面的子字符串长度为4个字符：

nGramsSubStrings -> ['0101', '1010', '1101']

我想编写/使用一个“Magic Function”来选择最接近targetString的字符串：

someMagicFunction -> ['1101']

更多例子：

nonEmptySubStrings -> ['101011']
nGramsSubStrings -> ['0101', '1010', '1011']

someMagicFunction -> ['1011']

nonEmptySubStrings -> ['10101']
nGramsSubStrings -> ['0101', '1010']

someMagicFunction -> ['0101', '1010']

这个“魔术功能”是一个众所周知的子串问题吗？

我真的很想找到分钟. nonEmptySubStrings中的更改次数,以便将targetString作为子字符串.

解决方法:

根据OP的评论提出质疑,这是我们所期望的

import functools

def edit_distance(str1, str2): 
    #implement it here

f = functools.operator(edit_distance, target_string)
return min(f(s) for s in slices(string_))   # use slices from below

这将返回任何子字符串到目标字符串的最小编辑距离.它不会指示哪个字符串或其索引是什么.它可以很容易地修改
但是.

天真的方式,这可能是最好的方式,是

import functools

def diff(str1, str2):
    # However you test the distance gets defined here. e.g. Hamming distance, 
    # Levenshtein distance, etc.


def slices(string_, L):
    for i in xrange(len(string_) - L + 1)):
        yield string_[i:i+L]

best_match = min(slices(string_), key=functools.partial(diff, target_string))

这不会返回发生子字符串的索引.当然你没有在你的问题中指明你需要它;)

如果你想要比这更好,它将取决于你如何测量距离,并且基本上归结为避免检查一些子串通过推断你必须改变至少x个字符以获得比你已经更好的匹配有.那时,您可以通过跳过x字符来改变x字符.

标签：python,substring,string-matching,string
来源： https://codeday.me/bug/20190606/1189357.html