Sono interessato all'algoritmo per il calcolo della distanza di Levenshtein in T-SQL.
Sono interessato all'algoritmo per il calcolo della distanza di Levenshtein in T-SQL.
Risposte:
Ho implementato la funzione standard di modifica della distanza di Levenshtein in TSQL con diverse ottimizzazioni che migliorano la velocità rispetto alle altre versioni di cui sono a conoscenza. Nei casi in cui le due stringhe hanno caratteri in comune all'inizio (prefisso condiviso), caratteri in comune alla loro fine (suffisso condiviso) e quando le stringhe sono grandi e viene fornita una distanza massima di modifica, il miglioramento della velocità è significativo. Ad esempio, quando gli input sono due stringhe di caratteri da 4000 molto simili e viene specificata una distanza di modifica massima di 2, questo è quasi tre ordini di grandezza più veloce deledit_distance_within
funzione nella risposta accettata, restituendo la risposta in 0,073 secondi (73 millisecondi) contro 55 secondi. È anche efficiente in termini di memoria, utilizzando uno spazio uguale alla più grande delle due stringhe di input più uno spazio costante. Usa un singolo "array" nvarchar che rappresenta una colonna, e fa tutti i calcoli sul posto, più alcune variabili int helper.
Ottimizzazioni:
Ecco il codice (aggiornato il 20/01/2014 per velocizzarlo un po 'di più):
-- =============================================
-- Computes and returns the Levenshtein edit distance between two strings, i.e. the
-- number of insertion, deletion, and sustitution edits required to transform one
-- string to the other, or NULL if @max is exceeded. Comparisons use the case-
-- sensitivity configured in SQL Server (case-insensitive by default).
--
-- Based on Sten Hjelmqvist's "Fast, memory efficient" algorithm, described
-- at http://www.codeproject.com/Articles/13525/Fast-memory-efficient-Levenshtein-algorithm,
-- with some additional optimizations.
-- =============================================
CREATE FUNCTION [dbo].[Levenshtein](
@s nvarchar(4000)
, @t nvarchar(4000)
, @max int
)
RETURNS int
WITH SCHEMABINDING
AS
BEGIN
DECLARE @distance int = 0 -- return variable
, @v0 nvarchar(4000)-- running scratchpad for storing computed distances
, @start int = 1 -- index (1 based) of first non-matching character between the two string
, @i int, @j int -- loop counters: i for s string and j for t string
, @diag int -- distance in cell diagonally above and left if we were using an m by n matrix
, @left int -- distance in cell to the left if we were using an m by n matrix
, @sChar nchar -- character at index i from s string
, @thisJ int -- temporary storage of @j to allow SELECT combining
, @jOffset int -- offset used to calculate starting value for j loop
, @jEnd int -- ending value for j loop (stopping point for processing a column)
-- get input string lengths including any trailing spaces (which SQL Server would otherwise ignore)
, @sLen int = datalength(@s) / datalength(left(left(@s, 1) + '.', 1)) -- length of smaller string
, @tLen int = datalength(@t) / datalength(left(left(@t, 1) + '.', 1)) -- length of larger string
, @lenDiff int -- difference in length between the two strings
-- if strings of different lengths, ensure shorter string is in s. This can result in a little
-- faster speed by spending more time spinning just the inner loop during the main processing.
IF (@sLen > @tLen) BEGIN
SELECT @v0 = @s, @i = @sLen -- temporarily use v0 for swap
SELECT @s = @t, @sLen = @tLen
SELECT @t = @v0, @tLen = @i
END
SELECT @max = ISNULL(@max, @tLen)
, @lenDiff = @tLen - @sLen
IF @lenDiff > @max RETURN NULL
-- suffix common to both strings can be ignored
WHILE(@sLen > 0 AND SUBSTRING(@s, @sLen, 1) = SUBSTRING(@t, @tLen, 1))
SELECT @sLen = @sLen - 1, @tLen = @tLen - 1
IF (@sLen = 0) RETURN @tLen
-- prefix common to both strings can be ignored
WHILE (@start < @sLen AND SUBSTRING(@s, @start, 1) = SUBSTRING(@t, @start, 1))
SELECT @start = @start + 1
IF (@start > 1) BEGIN
SELECT @sLen = @sLen - (@start - 1)
, @tLen = @tLen - (@start - 1)
-- if all of shorter string matches prefix and/or suffix of longer string, then
-- edit distance is just the delete of additional characters present in longer string
IF (@sLen <= 0) RETURN @tLen
SELECT @s = SUBSTRING(@s, @start, @sLen)
, @t = SUBSTRING(@t, @start, @tLen)
END
-- initialize v0 array of distances
SELECT @v0 = '', @j = 1
WHILE (@j <= @tLen) BEGIN
SELECT @v0 = @v0 + NCHAR(CASE WHEN @j > @max THEN @max ELSE @j END)
SELECT @j = @j + 1
END
SELECT @jOffset = @max - @lenDiff
, @i = 1
WHILE (@i <= @sLen) BEGIN
SELECT @distance = @i
, @diag = @i - 1
, @sChar = SUBSTRING(@s, @i, 1)
-- no need to look beyond window of upper left diagonal (@i) + @max cells
-- and the lower right diagonal (@i - @lenDiff) - @max cells
, @j = CASE WHEN @i <= @jOffset THEN 1 ELSE @i - @jOffset END
, @jEnd = CASE WHEN @i + @max >= @tLen THEN @tLen ELSE @i + @max END
WHILE (@j <= @jEnd) BEGIN
-- at this point, @distance holds the previous value (the cell above if we were using an m by n matrix)
SELECT @left = UNICODE(SUBSTRING(@v0, @j, 1))
, @thisJ = @j
SELECT @distance =
CASE WHEN (@sChar = SUBSTRING(@t, @j, 1)) THEN @diag --match, no change
ELSE 1 + CASE WHEN @diag < @left AND @diag < @distance THEN @diag --substitution
WHEN @left < @distance THEN @left -- insertion
ELSE @distance -- deletion
END END
SELECT @v0 = STUFF(@v0, @thisJ, 1, NCHAR(@distance))
, @diag = @left
, @j = case when (@distance > @max) AND (@thisJ = @i + @lenDiff) then @jEnd + 2 else @thisJ + 1 end
END
SELECT @i = CASE WHEN @j > @jEnd + 1 THEN @sLen + 1 ELSE @i + 1 END
END
RETURN CASE WHEN @distance <= @max THEN @distance ELSE NULL END
END
Come menzionato nei commenti di questa funzione, la distinzione tra maiuscole e minuscole dei confronti dei caratteri seguirà le regole di confronto in vigore. Per impostazione predefinita, il confronto di SQL Server è quello che comporterà confronti senza distinzione tra maiuscole e minuscole. Un modo per modificare questa funzione in modo che sia sempre sensibile al maiuscolo / minuscolo sarebbe aggiungere un confronto specifico ai due punti in cui vengono confrontate le stringhe. Tuttavia, non l'ho testato a fondo, soprattutto per gli effetti collaterali quando il database utilizza un confronto non predefinito. Ecco come le due linee verrebbero modificate per forzare confronti sensibili al maiuscolo / minuscolo:
-- prefix common to both strings can be ignored
WHILE (@start < @sLen AND SUBSTRING(@s, @start, 1) = SUBSTRING(@t, @start, 1) COLLATE SQL_Latin1_General_Cp1_CS_AS)
e
SELECT @distance =
CASE WHEN (@sChar = SUBSTRING(@t, @j, 1) COLLATE SQL_Latin1_General_Cp1_CS_AS) THEN @diag --match, no change
Arnold Fribble aveva due proposte su sqlteam.com/forums
Questo è il più giovane del 2006:
SET QUOTED_IDENTIFIER ON
GO
SET ANSI_NULLS ON
GO
CREATE FUNCTION edit_distance_within(@s nvarchar(4000), @t nvarchar(4000), @d int)
RETURNS int
AS
BEGIN
DECLARE @sl int, @tl int, @i int, @j int, @sc nchar, @c int, @c1 int,
@cv0 nvarchar(4000), @cv1 nvarchar(4000), @cmin int
SELECT @sl = LEN(@s), @tl = LEN(@t), @cv1 = '', @j = 1, @i = 1, @c = 0
WHILE @j <= @tl
SELECT @cv1 = @cv1 + NCHAR(@j), @j = @j + 1
WHILE @i <= @sl
BEGIN
SELECT @sc = SUBSTRING(@s, @i, 1), @c1 = @i, @c = @i, @cv0 = '', @j = 1, @cmin = 4000
WHILE @j <= @tl
BEGIN
SET @c = @c + 1
SET @c1 = @c1 - CASE WHEN @sc = SUBSTRING(@t, @j, 1) THEN 1 ELSE 0 END
IF @c > @c1 SET @c = @c1
SET @c1 = UNICODE(SUBSTRING(@cv1, @j, 1)) + 1
IF @c > @c1 SET @c = @c1
IF @c < @cmin SET @cmin = @c
SELECT @cv0 = @cv0 + NCHAR(@c), @j = @j + 1
END
IF @cmin > @d BREAK
SELECT @cv1 = @cv0, @i = @i + 1
END
RETURN CASE WHEN @cmin <= @d AND @c <= @d THEN @c ELSE -1 END
END
GO
IIRC, con SQL Server 2005 e versioni successive è possibile scrivere stored procedure in qualsiasi linguaggio .NET: utilizzando l'integrazione con CLR in SQL Server 2005 . Con questo non dovrebbe essere difficile scrivere una procedura per il calcolo della distanza di Levenstein .
Un semplice Hello, World! estratto dall'help:
using System;
using System.Data;
using Microsoft.SqlServer.Server;
using System.Data.SqlTypes;
public class HelloWorldProc
{
[Microsoft.SqlServer.Server.SqlProcedure]
public static void HelloWorld(out string text)
{
SqlContext.Pipe.Send("Hello world!" + Environment.NewLine);
text = "Hello world!";
}
}
Quindi nel tuo SQL Server esegui quanto segue:
CREATE ASSEMBLY helloworld from 'c:\helloworld.dll' WITH PERMISSION_SET = SAFE
CREATE PROCEDURE hello
@i nchar(25) OUTPUT
AS
EXTERNAL NAME helloworld.HelloWorldProc.HelloWorld
E ora puoi provare a eseguirlo:
DECLARE @J nchar(25)
EXEC hello @J out
PRINT @J
Spero che sia di aiuto.
È possibile utilizzare l'algoritmo di distanza di Levenshtein per confrontare le stringhe
Qui puoi trovare un esempio T-SQL su http://www.kodyaz.com/articles/fuzzy-string-matching-using-levenshtein-distance-sql-server.aspx
CREATE FUNCTION edit_distance(@s1 nvarchar(3999), @s2 nvarchar(3999))
RETURNS int
AS
BEGIN
DECLARE @s1_len int, @s2_len int
DECLARE @i int, @j int, @s1_char nchar, @c int, @c_temp int
DECLARE @cv0 varbinary(8000), @cv1 varbinary(8000)
SELECT
@s1_len = LEN(@s1),
@s2_len = LEN(@s2),
@cv1 = 0x0000,
@j = 1, @i = 1, @c = 0
WHILE @j <= @s2_len
SELECT @cv1 = @cv1 + CAST(@j AS binary(2)), @j = @j + 1
WHILE @i <= @s1_len
BEGIN
SELECT
@s1_char = SUBSTRING(@s1, @i, 1),
@c = @i,
@cv0 = CAST(@i AS binary(2)),
@j = 1
WHILE @j <= @s2_len
BEGIN
SET @c = @c + 1
SET @c_temp = CAST(SUBSTRING(@cv1, @j+@j-1, 2) AS int) +
CASE WHEN @s1_char = SUBSTRING(@s2, @j, 1) THEN 0 ELSE 1 END
IF @c > @c_temp SET @c = @c_temp
SET @c_temp = CAST(SUBSTRING(@cv1, @j+@j+1, 2) AS int)+1
IF @c > @c_temp SET @c = @c_temp
SELECT @cv0 = @cv0 + CAST(@c AS binary(2)), @j = @j + 1
END
SELECT @cv1 = @cv0, @i = @i + 1
END
RETURN @c
END
(Funzione sviluppata da Joseph Gama)
Utilizzo:
select
dbo.edit_distance('Fuzzy String Match','fuzzy string match'),
dbo.edit_distance('fuzzy','fuzy'),
dbo.edit_distance('Fuzzy String Match','fuzy string match'),
dbo.edit_distance('levenshtein distance sql','levenshtein sql server'),
dbo.edit_distance('distance','server')
L'algoritmo restituisce semplicemente il conteggio stpe per cambiare una stringa in un'altra sostituendo un carattere diverso in un unico passaggio
Stavo cercando un esempio di codice anche per l'algoritmo di Levenshtein ed ero felice di trovarlo qui. Ovviamente volevo capire come funziona l'algoritmo e stavo giocando un po 'con uno degli esempi sopra su cui stavo giocando un po' che è stato pubblicato da Veve . Per capire meglio il codice ho creato un EXCEL con Matrix.
distanza per FUZZY rispetto a FUZY
Le immagini dicono più di 1000 parole.
Con questo EXCEL ho scoperto che c'era il potenziale per un'ulteriore ottimizzazione delle prestazioni. Non è necessario calcolare tutti i valori nell'area rossa in alto a destra. Il valore di ogni globulo rosso risulta nel valore della cella sinistra più 1. Questo perché, la seconda stringa sarà sempre più lunga in quell'area rispetto alla prima, il che aumenta la distanza del valore di 1 per ogni carattere.
È possibile riflettere ciò utilizzando l'istruzione IF @j <= @i e aumentando il valore di @i prima di questa istruzione.
CREATE FUNCTION [dbo].[f_LevenshteinDistance](@s1 nvarchar(3999), @s2 nvarchar(3999))
RETURNS int
AS
BEGIN
DECLARE @s1_len int;
DECLARE @s2_len int;
DECLARE @i int;
DECLARE @j int;
DECLARE @s1_char nchar;
DECLARE @c int;
DECLARE @c_temp int;
DECLARE @cv0 varbinary(8000);
DECLARE @cv1 varbinary(8000);
SELECT
@s1_len = LEN(@s1),
@s2_len = LEN(@s2),
@cv1 = 0x0000 ,
@j = 1 ,
@i = 1 ,
@c = 0
WHILE @j <= @s2_len
SELECT @cv1 = @cv1 + CAST(@j AS binary(2)), @j = @j + 1;
WHILE @i <= @s1_len
BEGIN
SELECT
@s1_char = SUBSTRING(@s1, @i, 1),
@c = @i ,
@cv0 = CAST(@i AS binary(2)),
@j = 1;
SET @i = @i + 1;
WHILE @j <= @s2_len
BEGIN
SET @c = @c + 1;
IF @j <= @i
BEGIN
SET @c_temp = CAST(SUBSTRING(@cv1, @j + @j - 1, 2) AS int) + CASE WHEN @s1_char = SUBSTRING(@s2, @j, 1) THEN 0 ELSE 1 END;
IF @c > @c_temp SET @c = @c_temp
SET @c_temp = CAST(SUBSTRING(@cv1, @j + @j + 1, 2) AS int) + 1;
IF @c > @c_temp SET @c = @c_temp;
END;
SELECT @cv0 = @cv0 + CAST(@c AS binary(2)), @j = @j + 1;
END;
SET @cv1 = @cv0;
END;
RETURN @c;
END;
('jane', 'jeanne')
restituiranno una distanza di 3, quando la distanza dovrebbe essere 2. Per correggere questo codice aggiuntivo dovrebbe essere aggiunto che scambia @s1
e @s2
se @s1
ha una lunghezza inferiore a @s2
.
In TSQL il modo migliore e più veloce per confrontare due elementi sono le istruzioni SELECT che uniscono tabelle su colonne indicizzate. Quindi è così che suggerisco di implementare la distanza di editing se vuoi beneficiare dei vantaggi di un motore RDBMS. Anche i cicli TSQL funzioneranno, ma i calcoli della distanza Levenstein saranno più veloci in altri linguaggi rispetto a TSQL per confronti di grandi volumi.
Ho implementato la distanza di modifica in diversi sistemi utilizzando serie di join su tabelle temporanee progettate solo a tale scopo. Richiede alcuni passaggi di pre-elaborazione pesanti - la preparazione delle tabelle temporanee - ma funziona molto bene con un gran numero di confronti.
In poche parole: la pre-elaborazione consiste nel creare, popolare e indicizzare le tabelle temporanee. Il primo contiene gli ID di riferimento, una colonna di una lettera e una colonna charindex. Questa tabella viene popolata eseguendo una serie di query di inserimento che suddividono ogni parola in lettere (utilizzando SELEZIONA SUBSTRING) per creare tante righe quante sono le parole nell'elenco di origine (lo so, sono molte righe ma il server SQL può gestire miliardi di righe). Quindi crea una seconda tabella con una colonna di 2 lettere, un'altra tabella con una colonna di 3 lettere, ecc. Il risultato finale è una serie di tabelle che contengono ID di riferimento e sottostringhe di ciascuna parola, nonché il riferimento della loro posizione nella parola.
Una volta fatto ciò, l'intero gioco consiste nel duplicare queste tabelle e unirle contro il loro duplicato in una query di selezione GROUP BY che conta il numero di corrispondenze. Questo crea una serie di misure per ogni possibile coppia di parole, che vengono poi riaggregate in una singola distanza di Levenstein per coppia di parole.
Tecnicamente questo è molto diverso dalla maggior parte delle altre implementazioni della distanza di Levenstein (o delle sue varianti), quindi è necessario comprendere a fondo come funziona la distanza di Levenstein e perché è stata progettata così com'è. Esamina anche le alternative perché con quel metodo ti ritroverai con una serie di metriche sottostanti che possono aiutare a calcolare molte varianti della distanza di modifica allo stesso tempo, fornendoti interessanti potenziali miglioramenti di apprendimento automatico.
Altro punto già citato dalle risposte precedenti in questa pagina: prova a preelaborare il più possibile per eliminare le coppie che non richiedono la misurazione della distanza. Ad esempio una coppia di due parole che non hanno una sola lettera in comune dovrebbe essere esclusa, perché la distanza di modifica può essere ricavata dalla lunghezza delle stringhe. Oppure non misurare la distanza tra due copie della stessa parola, poiché è 0 per natura. Oppure rimuovi i duplicati prima di eseguire la misurazione, se l'elenco di parole proviene da un testo lungo è probabile che le stesse parole appaiano più di una volta, quindi misurare la distanza solo una volta farà risparmiare tempo di elaborazione, ecc.