レーベンシュタイン距離を計算するための一般的なアルゴリズムの教科書の例を次に示します ( Magnus Hetland の Web サイトから引用しました)。
def levenshtein(a,b):
"Calculates the Levenshtein distance between a and b."
n, m = len(a), len(b)
if n > m:
# Make sure n <= m, to use O(min(n,m)) space
a,b = b,a
n,m = m,n
current = range(n+1)
for i in range(1,m+1):
previous, current = current, [i]+[0]*n
for j in range(1,n+1):
add, delete = previous[j]+1, current[j-1]+1
change = previous[j-1]
if a[j-1] != b[i-1]:
change = change + 1
current[j] = min(add, delete, change)
return current[n]
しかし、difflib の SequenceManager を使用する、より効率的な (そして潜在的により洗練された) 純粋な Python 実装があるのではないかと考えていました。あれこれいじってみた結果、以下のようになりました。
from difflib import SequenceMatcher as sm
def lev_using_difflib(s1, s2):
a = b = size = distance = 0
for m in sm(a=s1, b=s2).get_matching_blocks():
distance += max(m.a-a, m.b-b) - size
a, b, size = m
return distance
失敗するテストケースを思いつくことができず、パフォーマンスは標準アルゴリズムよりも大幅に優れているようです。
以下は、difflib に依存するレーベンシュタイン アルゴリズムの結果です。
>>> from timeit import Timer
>>> setup = """
... from difflib import SequenceMatcher as sm
...
... def lev_using_difflib(s1, s2):
... a = b = size = distance = 0
... for m in sm(a=s1, b=s2).get_matching_blocks():
... distance += max(m.a-a, m.b-b) - size
... a, b, size = m
... return distance
...
... strings = [('sunday','saturday'),
... ('fitting','babysitting'),
... ('rosettacode','raisethysword')]
... """
>>> stmt = """
... for s in strings:
... lev_using_difflib(*s)
... """
>>> Timer(stmt, setup).timeit(100000)
36.989389181137085
そして、これが標準の純粋な python 実装です。
>>> from timeit import Timer
>>> setup2 = """
... def levenshtein(a,b):
... n, m = len(a), len(b)
... if n > m:
... a,b = b,a
... n,m = m,n
...
... current = range(n+1)
... for i in range(1,m+1):
... previous, current = current, [i]+[0]*n
... for j in range(1,n+1):
... add, delete = previous[j]+1, current[j-1]+1
... change = previous[j-1]
... if a[j-1] != b[i-1]:
... change = change + 1
... current[j] = min(add, delete, change)
...
... return current[n]
...
... strings = [('sunday','saturday'),
... ('fitting','babysitting'),
... ('rosettacode','raisethysword')]
... """
>>> stmt2 = """
... for s in strings:
... levenshtein(*s)
... """
>>> Timer(stmt2, setup2).timeit(100000)
55.594768047332764
difflib の SequenceMatcher を使用したアルゴリズムのパフォーマンスは本当に優れていますか? それとも、比較を完全に無効にする C ライブラリに依存していますか? C 拡張機能に依存している場合、difflib.py の実装を見てどうすればわかりますか?
Python 2.7.3 の使用 [GCC 4.2.1 (Apple Inc. ビルド 5666)]
よろしくお願いします。