如何在简体中文字符上计算Levenshtein距离？

Question

我有两个查询：

    query1:你好世界
    query2:你好

当我使用Python库Levenshtein运行此代码时：

from Levenshtein import distance, hamming, median
lev_edit_dist = distance(query1,query2)
print lev_edit_dist

我得到了一个输出值为12。

现在的问题是这个值12是如何推导出来的？

因为从笔画数量上来看，显然不止12个。

- jxn

---

你在使用Python2还是3？ - Fabricator

我正在使用Python 2.7。 - jxn

对于中文字符来说，转向Python 3确实是有意义的。所有与Unicode字符相关的问题都已经得到解决。 - Karpov

Answer 1

根据其文档，它支持Unicode：

它支持普通字符串和Unicode字符串，但不能混用，所有函数（方法）的参数都必须是相同类型（或其子类）。

您需要确保中文字符以Unicode格式呈现：

In [1]: from Levenshtein import distance, hamming, median

In [2]: query1 = '你好世界'

In [3]: query2 = '你好'

In [4]: print distance(query1,query2)
6

In [5]: print distance(query1.decode('utf8'),query2.decode('utf8'))
2

- Fabricator