Калькулятор Сходства Строк

Сравнивайте две строки, используя пять хорошо известных алгоритмов расстояния строк и сходства строк одновременно: расстояние редактирования Levenshtein, сходство Jaro и Jaro-Winkler, расстояние Hamming и косинусное сходство над биграммами символов. Если обычный инструмент diff показывает что изменилось, этот инструмент показывает насколько — как точные, воспроизводимые числа.

Как его использовать

Введите или вставьте Строка A и Строка B, затем прочитайте результаты мгновенно — инструмент пересчитывается при каждом нажатии клавиши. Включите Игнорировать регистр для рассмотрения "Слово" и "слово" как равные во всех метриках ниже.

Что означает каждая метрика

• Расстояние Levenshtein — минимальное количество вставок, удалений и замен отдельных символов, необходимых для преобразования строки A в строку B. Строка Сходство Levenshtein выражает то же расстояние в виде процентного соотношения (1 − расстояние ÷ длина более длинной строки).
• Операции редактирования Levenshtein — подробное описание количества вставок, удалений и замен, составляющих этот минимальный скрипт редактирования, плюс количество символов, совпадающих без изменений.
• Матрица расстояния Levenshtein — полная таблица динамического программирования, которую алгоритм строит внутренне, с метками строк и столбцов содержащими сравниваемые символы. Прочитайте ячейку как "расстояние редактирования между префиксами, заканчивающимися в этой строке и столбце". Пропускается для строк длиннее 25 символов, где сетка становится нечитаемой.
• Сходство Jaro — награждает строки, которые содержат символы, близко расположенные по позиции, терпимо к небольшим перестановкам (используется в системах связывания записей и обнаружения дубликатов).
• Сходство Jaro-Winkler — сходство Jaro усилено для строк, имеющих общий префикс (до 4 символов), что делает его распространённым выбором для сопоставления имён и коротких идентификаторов, где начало строки имеет тенденцию быть более надёжным.
• Расстояние Hamming — количество различающихся символов в одной и той же позиции, определено только для строк одинаковой длины; показывается как "N/A" в противном случае.
• Косинусное сходство (биграммы) — рассматривает каждую строку как вектор перекрывающихся двухсимвольных последовательностей и измеряет угол между ними, метрика, часто используемая при нечётком сопоставлении текста и обнаружении близких дубликатов.

Почему алгоритмы не согласны?

Они созданы для разных задач. Levenshtein и Hamming считают сырые правки на уровне символов, поэтому один вставленный символ в начале длинной строки может выглядеть как большое изменение. Косинусное сходство Jaro-Winkler и биграммы взвешивают общую структуру больше, чем позицию, поэтому они часто более терпимы к опечаткам, переупорядочению и различиям длины — вот почему системы нечёткого сопоставления и проверки орфографии, как правило, предпочитают их простому расстоянию редактирования.

Это то же самое, что текстовый diff?

Не совсем. Используйте этот инструмент, когда вам нужно точное число — дедупликация записей, настройка порога нечёткого сопоставления, оценка того, насколько близко введённый ответ к правильному. Для представления рядом-рядом того, какие слова или строки изменились между двумя блоками текста, используйте вместо этого инструмент Сравнение текста, или Проверку сходства текста для общей оценки перекрытия символов/слов на более длинных фрагментах.

Конфиденциальность

Всё выполняется в вашем браузере — введённые вами строки никогда не отправляются на сервер.