在R语言中有一个名为stringdist
的package,其中包含用于计算Levenshtein字符串距离的函数。我对这个包有两个问题:
第一个问题是它不能处理大字符串,例如:
set.seed(1)
a.str <- paste(sample(0:9, 100000, replace = T), collapse="")
set.seed(2)
b.str <- paste(sample(0:9, 100000, replace = T), collapse="")
stringdist(a.str, b.str, method = "lv")
# THE LAST COMMAND RESTARTS R SESSION
第二 矢量中的距离是按矢量元素的字符计算,而不是整个矢量计算:
a.vec <- c(1, 2, 3, 4, 5, 666)
b.vec <- c(1, 2, 4, 3, 6, 777)
stringdist(a.vec, b.vec, method = "lv")
# [1] 0 0 1 1 1 3
我希望得到上一个命令的结果 4,因为需要进行 4 次替换(对应位置的 4 个向量元素不同)。在这种情况下,我可以获取非零值并计数,例如:
r <- stringdist(a.vec, b.vec, method = "lv"); length(r[r!=0])
。但在以下示例中无法正常工作:a.vec <- c(1, 2, 3)
b.vec <- c(1, 2, 2, 3)
stringdist(a.vec, b.vec, method = "lv")
# [1] 0 0 1 1
# Warning message:
# In stringdist(a.vec, b.vec, method = "lv") :
# longer object length is not a multiple of shorter object length
我希望得到上一个命令1的结果(在第一个向量的第一个位置插入2)。 PS 还有内置实现,但它也无法处理大字符串(而且老实说,我不理解它如何使用向量,因为我不理解它的输出)。
adist(a.str,b.str, counts = T)
# Error in adist(a.str, b.str, counts = T) :
# 'Calloc' could not allocate memory (1410265409 of 8 bytes)
有没有实现满足我的要求的程序(最好用python、perl或R)?非常感谢。
PS 我有多个文件,每行包含1~500之间的数字(这就是为什么我需要将例如347视为一个元素而不是由3、4、7组成的字符串,因为3、4、7是另一个单独的数字)。这些文件大约有250000行。我想知道这些文件彼此之间有多相似。我猜10k*10k的大小是问题所在。但here提到了Levenshtein算法,它只使用2*10k的大小(如果两个字符串都是10k长)。我想诀窍在于它只计算结果并忘记了结果是如何计算的,但这对我来说没问题。汉明距离对我来说不够,因为我需要考虑插入、删除、替换,在汉明中,这两个字符串1234567890
0123456789
是完全不同的,但在Levenshtein中它们是相似的。
stringdist
? - Gopalastringdist
中对于相同的两个字符串,使用method=JW
会产生一个结果。算法不同,不需要平方数量的内存。 - Gopala007
和455
,但问题是这会使已经很大的字符串变得更大,所以我想避免这种情况,改用向量。 - Wakan TankaRecordLinkage
包中的levenshteinDist
。它使用了内存高效的版本。您仍然需要使用paste
将您的向量转换为字符串以进行输入。 - Gopala