如何在python中生成一组相似的字符串

Question

我想知道如何根据Levenshtein distance（字符串编辑距离）生成一组相似的字符串。理想情况下，我喜欢传入一个源字符串（即用于生成与其相似的其他字符串的字符串）、需要生成的字符串数量和一个阈值作为参数，即在生成的集合应该大于阈值。我想知道我应该使用什么Python 包来实现这一目标？或者知道如何实现这一点？

Answer 1

我认为你可以用另一种方式思考这个问题（反过来）。

• 给定一个字符串，说它是sittin。
• 给定一个阈值（编辑距离），说它是k。
• 然后在 k 步中应用不同“编辑”的组合。

例如，假设 k = 2。假设您拥有的允许 edit modes 是：

• 删除一个字符
• 添加一个字符
• 用另一个字符替换一个字符。

那么逻辑如下：

input = 'sittin'
for num in 1 ... n:  # suppose you want to have n strings generated
  my_input_ = input
  # suppose the edit distance should be smaller or equal to k;
  # but greater or equal to one
  for i in in 1 ... randint(k): 
    pick a random edit mode from (delete, add, substitute)
    do it! and update my_input_

如果您需要坚持使用预定义的字典，这会增加一些复杂性，但仍然可行。在这种情况下，编辑必须有效。

Answer 2

大量借用 @greeness answer 中的伪代码，我想我会包含我用来处理 DNA 序列的代码。
这可能不是您的确切用例，但我认为它应该很容易适应。

import random
dna = set(["A", "C", "G", "T"])

class Sequence(str):

    def mutate(self, d, n):
        mutants = set([self])
        while len(mutants) < n:
            k = random.randint(1, d)
            for _ in range(k):
                mutant_type = random.choice(["d", "s", "i"])
                if mutant_type == "i":
                    mutants.add(self.insertion(k))
                elif mutant_type == "d":
                    mutants.add(self.deletion(k))
                elif mutant_type == "s":
                    mutants.add(self.substitute(k))
        return list(mutants)


    def deletion(self, n):
        if n >= len(self):
            return ""
        chars = list(self)
        i = 0
        while i < n:
            idx = random.choice(range(len(chars)))
            del chars[idx]
            i += 1
        return "".join(chars)

    def insertion(self, n):
        chars = list(self)
        i = 0
        while i < n:
            idx = random.choice(range(len(chars)))
            new_base = random.choice(list(dna))
            chars.insert(idx, new_base)
            i += 1
        return "".join(chars)

    def substitute(self, n):
        idxs = random.sample(range(len(self)), n)
        chars = list(self)
        for i in idxs:
            new_base = random.choice(list(dna.difference(chars[i])))
            chars[i] = new_base
        return "".join(chars)

要使用它，您可以执行以下操作

s = Sequence("AAAAA")
d = 2  # max edit distance
n = 5  # number of strings in result
s.mutate(d, n)
>>> ['AAA', 'GACAAAA', 'AAAAA', 'CAGAA', 'AACAAAA']