字串的相似性比較應用場合很多，像拼寫糾錯、文字去重、上下文相似性等。

評價字串相似度最常見的辦法就是：把一個字串透過插入、刪除或替換這樣的編輯操作，變成另外一個字串，所需要的最少編輯次數，這種就是編輯距離（edit distance）度量方法，也稱為Levenshtein距離。海明距離是編輯距離的一種特殊情況，只計算等長情況下替換操作的編輯次數，只能應用於兩個等長字串間的距離度量。

其他常用的度量方法還有 Jaccard distance、J-W距離（Jaro–Winkler distance）、餘弦相似性（cosine similarity）、歐氏距離（Euclidean distance）等。

# -*- coding: utf-8 -*-

import difflib

# import jieba

import Levenshtein

str1 = "我的骨骼雪白 也長不出青稞"

str2 = "雪的日子 我只想到雪中去si"

# 1. difflib

seq = difflib.SequenceMatcher(None, str1,str2)

ratio = seq.ratio()

print "difflib similarity1: ", ratio

# difflib 去掉列表中不需要比較的字元

seq = difflib.SequenceMatcher(lambda x: x in " 我的雪", str1,str2)

ratio = seq.ratio()

print "difflib similarity2: ", ratio

# 2. hamming距離，str1和str2長度必須一致，描述兩個等長字串之間對應位置上不同字元的個數

# sim = Levenshtein.hamming(str1, str2)

# print "hamming similarity: ", sim

sim = Levenshtein.distance(str1, str2)

print "Levenshtein similarity: ", sim

# 4.計算萊文斯坦比

sim = Levenshtein.ratio(str1, str2)

print "Levenshtein.ratio similarity: ", sim

# 5.計算jaro距離

sim = Levenshtein.jaro(str1, str2 )

print "Levenshtein.jaro similarity: ", sim

# 6. Jaro–Winkler距離

sim = Levenshtein.jaro_winkler(str1 , str2 )

print "Levenshtein.jaro_winkler similarity: ", sim

difflib similarity1: 0.246575342466

difflib similarity2: 0.0821917808219

Levenshtein similarity: 33

Levenshtein.ratio similarity: 0.27397260274

Levenshtein.jaro similarity: 0.490208958959

Levenshtein.jaro_winkler similarity: 0.490208958959