有没有办法在数据框中的两个字符串列之间执行编辑距离？

如何解决有没有办法在数据框中的两个字符串列之间执行编辑距离？

我有两个数据集：dataset1 和 dataset2（提供图像链接），它们有一个名为 SAX 的公共列，它是一个字符串对象。

dataset1=
         SAX
0    glngsyu
1    zicobgm
2    eerptow
3    cqbsynt
4    zvmqben
..       ...
475  rfikekw
476  bnbzvqx
477  rsuhgax
478  ckhloio
479  lbzujtw

480 rows × 2 columns

和

dataset2=
         SAX
0    glngsyu
1    zicobgm
2    eerptow
3    cqbsynt
4    zvmqben
..       ...
475  rfikekw
476  bnbzvqx
477  rsuhgax
478  ckhloio
479  lbzujtw

480 rows × 2 columns

我需要输出是将数据集1的“SAX”列转换为数据集2的“SAX”所需的最少编辑（操作）列。有没有办法做到这一点？

谢谢。

解决方法

使用与 textdistance 模块的 Levenshtein 距离：

from textdistance import levenshtein

# Merge the two columns in one dataframe
df = dataset1[['SAX']].merge(dataset2[['SAX']],left_index=True,right_index=True,suffixes=('_1','_2'))

# Compute the Levenshtein distance
df['distance'] = df.apply(lambda x: levenshtein.distance(x['SAX_1'],x['SAX_2']),axis=1)

,

我会使用 pylev 模块来完成这项任务。它是纯 python 的，所以它应该在执行 pip install pylev 后就可以在任何操作系统中工作。为了比较我将利用 zip 的成对元素，请考虑以下简单示例

import pylev
import pandas as pd
df1 = pd.DataFrame({'col1':['some','values','here']})
df2 = pd.DataFrame({'col1':['same','virtues','there']})
dfdist = pd.DataFrame({'dist':[pylev.levenshtein(*i) for i in zip(df1.col1,df2.col1)]})
print(dfdist)

输出

   dist
0     1
1     3
2     1