使用函数stringdist，我可以计算字符串之间的Levenshtein 距离：它计算将一个字符串转换为另一个字符串所需的删除、插入和替换的次数。例如，stringdist("abc abc","abcd abc") = 1 因为在第二个字符串中插入了“d”。
是否有可能知道获得两个字符串之间的 Levenshtein 距离的操作？或者要知道两个字符串之间不同的字符（在这个例子中，只有“d”）？ 谢谢。
library(stringdist)
stringdist("abc abc","abcde acc") = 3
我想知道：
“d”已插入
“e”已插入
“b”被替换为“c”
或者更简单地说，我想要列表 ("d","e","c")。
【问题讨论】：
标签： r string levenshtein-distance stringdist
使用adist()，您可以检索操作：
drop(attr(adist("abc abc","abcde acc", count = TRUE), "counts"))
ins del sub
2 0 1
来自?adist：
如果 counts 为 TRUE，则转换计数作为 这个矩阵的“计数”属性，作为一个 3 维数组 对应于 x 的元素、y 的元素和 转换的类型（插入、删除和替换）， 分别。
【讨论】：
attr(adist("abda cc","abc abc", count = TRUE),"trafos") #= "MMSDMSIM" 创建一个函数，其中M=match, S=substitute, D=delete, I=insert
trafos 周围玩会引导您获得想要的结果。
这被称为Needleman–Wunsch algorithm。它计算两个字符串之间的距离以及所谓的 traceback，它允许您重建对齐方式。
由于这个问题主要出现在生物学中比较生物序列时，这个算法（和相关算法）在 R 包{Biostrings} 中实现，它是Bioconductor 的一部分。
由于这个包实现比简单的 Levenshtein 距离更通用的解决方案，不幸的是用法更复杂，usage vignette 也相应长。但您的基本用途如下：
library(Biostrings)
dist_mat = diag(27L)
colnames(dist_mat) = rownames(dist_mat) = c(letters, ' ')
result = pairwiseAlignment(
"abc abc", "abcde acc",
substitutionMatrix = dist_mat,
gapOpening = 1, gapExtension = 1
)
不过，这不会简单地为您提供c('b', 'c', 'c') 列表，因为该列表并不能完全代表此处实际发生的情况。相反，它将返回两个字符串之间的 alignment。这可以表示为具有替换和间隙的序列：
score(result)
# [1] 3
aligned(result)
as.matrix(aligned(result))
# [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9]
# [1,] "a" "b" "c" "-" "-" " " "a" "b" "c"
aligned(result)
——对于第二个字符串中的每个字符，它提供原始字符串中的相应字符，将插入的字符替换为-。基本上，这是将第一个字符串转换为第二个字符串的“秘诀”。请注意，它将仅包含插入和替换，而不包含删除。要获得这些，您需要以相反的方式执行对齐（即交换字符串参数）。
【讨论】：
dist_mat，以便它包含您的字符串可能包含的每个字符的一行和一列。因此，此答案中显示的代码只允许使用小写字母和空格，没有别的。
这里是提取每种类型的变化次数的代码，然后是每种类型的操作对应的字符：
source_string="12234"
target_string="02345"
lev=adist(source_string,target_string,count=T)
#number of operations of each kind
attributes(lev)$counts[,,"ins"]
attributes(lev)$counts[,,"del"]
attributes(lev)$counts[,,"sub"]
substitution_bank=deletion_bank=insertion_bank=match_bank=NULL
changes<-strsplit(attributes(lev)$trafos, "")[[1]]
counter_source=counter_target=1
for(j in changes){
if(j=="S") {
substitution_bank=rbind(substitution_bank,
cbind(strsplit(source_string,"")[[1]][counter_source], strsplit(target_string,"")[[1]][counter_target]))
counter_source=counter_source+1
counter_target=counter_target+1
}
if(j=="I") {
insertion_bank=rbind(insertion_bank,
strsplit(target_string,"")[[1]][counter_target])
counter_target=counter_target+1
}
if(j=="D") {
deletion_bank=rbind(deletion_bank,
strsplit(source_string,"")[[1]][counter_source])
counter_source=counter_source+1
}
if(j=="M") {
match_bank=rbind(match_bank,
strsplit(source_string,"")[[1]][counter_source])
counter_source=counter_source+1
counter_target=counter_target+1
}
}
substitution_bank
deletion_bank
insertion_bank
match_bank
老实说，我为代码感到羞耻——一次只输入一个字符似乎很浪费。但是在插入和删除的情况下，我无法弄清楚如何提取正确的字符......所以欢迎更优雅的答案！
【讨论】：