Якщо ви зацікавлені у швидкому візуальному порівнянні подібності Левенштейна та Діфліба, я підрахував обидві для ~ 2,3 мільйона назв книг:
import codecs, difflib, Levenshtein, distance
with codecs.open("titles.tsv","r","utf-8") as f:
title_list = f.read().split("\n")[:-1]
for row in title_list:
sr = row.lower().split("\t")
diffl = difflib.SequenceMatcher(None, sr[3], sr[4]).ratio()
lev = Levenshtein.ratio(sr[3], sr[4])
sor = 1 - distance.sorensen(sr[3], sr[4])
jac = 1 - distance.jaccard(sr[3], sr[4])
print diffl, lev, sor, jac
Потім я побудував результати з R:
Суворо для допитливих я також порівняв значення подібності Діфліба, Левенштайна, Соренсена та Жакарда:
library(ggplot2)
require(GGally)
difflib <- read.table("similarity_measures.txt", sep = " ")
colnames(difflib) <- c("difflib", "levenshtein", "sorensen", "jaccard")
ggpairs(difflib)
Результат:
Подібність Діфліба / Левенштайна справді є досить цікавою.
Редагування 2018 року: Якщо ви працюєте над визначенням схожих рядків, ви також можете перевірити міншашінг - тут чудовий огляд . Minhashing є дивовижним у знаходженні подібностей у великих колекціях тексту за лінійним часом. Моя лабораторія створила додаток, який виявляє та візуалізує повторне використання тексту за допомогою minhashing тут: https://github.com/YaleDHLab/intertext