c#文本相似度对比，亲测可用，可学习使用。主要用于对比出两个字符串中相似度能达到多少，项目中使用过已经经过优化

SimMetrics 相似度和距离量度的Java库，例如Levenshtein距离和余弦相似度。 所有相似性指标均返回归一化值，而不是无限制的相似性分数。 距离指标返回非负无界分数。 用法 为了方便快捷地使用， 和包含一组众所周知的相似性和距离度量。 String str1 = " This is a sentence. It is made of words " ; String str2 = " This sentence is similar. It has almost the same words " ; StringMetric metric = StringMetrics . cosineSimilarity(); float result = metric . compare(str1, str2); // 0.4767 和是用于构建字符串相似度和距离度量的便捷工具。

SimMetrics.Net SimMetrics是一个相似性度量库，例如，从编辑距离（Levenstein等）到其他度量（Chapman等）。 地位 AppVeyor Travis codecov.io coveralls.io NuGet 支持的框架是： .NET 2.0 .NET 3.5 .NET 4.0 .NET 4.5及更高版本 .NET Standard 1.0到.NETStandard 1.6（包括便携式，Windows Phone和uap） .NET标准2.0 基于以及原始项目中的所有87个单元测试。

Strutil strutil提供了用于计算字符串相似度的字符串度量标准以及其他字符串实用程序功能。 完整文档可在以下找到： : 。 安装 go get github.com/adrg/strutil 字符串指标 杰罗·温克勒 史密斯·沃特曼·高图 索伦森-骰子 贾卡德 重叠系数 程序包定义了StringMetric接口，该接口由所有字符串指标实现。 该接口与“ Similarity功能一起使用，该功能使用提供的字符串度量标准来计算指定字符串之间的相似度。 type StringMetric interface { Compare ( a , b string ) float64 } func Similarity ( a , b string , metric StringMetric ) float64 { } 所有定义的字符串指标都可以在指标包中找到。 汉明

比较两个字符串的相似度，利用Levenshein算法计算出两个字符串的最小编辑距离，根据最小编辑距离得出相似度，例如： 字符串1:1234 字符串2:51234，则他们的相似度为：4/5。

NULL 博文链接：https://biansutao.iteye.com/blog/326008

句子相似度簇 sensim_cluster使用Levenshtein距离计算文本数据（来自文件）的相似度，并对结果进行聚类（分层聚类）。 聚类结果以树状图显示。 用法 准备数据文件 在下面运行该程序 # -*- coding: utf-8 -*- import sys from sensim_cluster . sensim_cluster import SensimCluster from matplotlib import pyplot as plt from scipy . cluster . hierarchy import dendrogram cluster = SensimCluster ( 'YOUR_DATAFILE_PATH' ) ids = cluster . get_ids () result = cluster . ward () mod_ids = [ id [

序列比对与 A* 示例 这是使用 A* 路径查找来加速动态规划算法的示例，在本例中是序列比对问题，Levenshtein 距离是其中的一个特定实例。 O(n * e^2)与标准的 Levenshtein 距离算法不同，它运行的时间类似于n输入长度和e编辑距离的时间。它通过使用像 A* 这样的启发式算法来仅探索沿网格对角线的有希望的状态，而不是整个O(n^2)网格。 对于具有少量编辑的大文件，它比O(n^2)它所基于的简单动态编程算法要快得多，但仍然比专门的和高度优化的全局序列比对程序（如Edlib ）慢得多。不同之处在于我在两个小时内编写了这个，它有 150 行代码，包括测试、调试例程和示例。 它是用 Rust 编写的，包含两个示例程序： seqalign：读取 FASTA 格式的基因序列文件并打印对齐距离。 seqalign_plain：读取两个纯文本文件并打印对齐距离。

pybktree：Python BK树数据结构，允许快速查询“接近”匹配

最近工作需要用到序列匹配，检测相似性，不过有点复杂的是输入长度是不固定的，举例为： input_and_output = [1, 2, '你好', 世界', 12.34, 45.6, -21, '中国', '美丽'] 其中，需要从input_and_output 中选取不固定长度的一段作为输入，且顺序不定，然后去与总体进行比较，找出最符合的，开始是对汉字进行数值化编码，不过后来由于出现汉字越来越多，遂放弃该方法，转向别的方式，查找资料发现了两个python包广被推荐，从下面来看各有优缺点，记录之~ 1、difflib import difflib #python 自带库，不需额外安装 In