ocr_verify/compare_ocr_results-算法.md

好的，下面详细解释这4种字符串相似度算法，并举例说明它们的作用和区别。

---

1. fuzz.ratio

原理：
计算两个字符串的整体相似度，基于 Levenshtein 距离（编辑距离），衡量将一个字符串变成另一个字符串所需的最少编辑操作数（插入、删除、替换）。

适用场景：
适合比较长度相近、顺序一致的字符串。

例子：

text1	text2	ratio
"apple"	"applf"	80
"apple"	"apple pie"	67

---

2. fuzz.partial_ratio

原理：
寻找较短字符串在较长字符串中的最佳匹配片段，然后计算这部分的相似度。适合一段文本包含另一段文本的情况。

适用场景：
适合短字符串与长字符串部分重叠的情况。

例子：

text1	text2	partial_ratio
"apple"	"apple pie"	100
"apple"	"I like apple"	100
"apple"	"banana apple"	100

---

3. fuzz.token_sort_ratio

原理：
先将字符串按空格分词，然后排序，再拼接成字符串后比较相似度。这样可以忽略单词顺序的影响。

适用场景：
适合单词顺序不同但内容相同的情况。

例子：

text1	text2	token_sort_ratio
"apple pie"	"pie apple"	100
"pie apple"	"apple pie"	100
"apple banana"	"banana apple"	100

---

4. fuzz.token_set_ratio

原理：
将字符串分词后，分别取交集、差集，分别计算相似度，最后取最大值。能处理部分重叠、部分不同的情况。

适用场景：
适合两个字符串有部分相同单词、部分不同单词的情况。

例子：

text1	text2	token_set_ratio
"apple pie"	"apple pie banana"	100
"apple banana"	"banana apple pie"	100
"apple pie"	"banana pie apple"	100
"apple pie"	"banana orange apple"	67

---

总结

• ratio：整体比较，顺序敏感。
• partial_ratio：短字符串在长字符串中找最佳匹配，适合包含关系。
• token_sort_ratio：忽略单词顺序。
• token_set_ratio：忽略顺序，且能处理部分重叠。

这些算法常用于OCR结果、文本去重、模糊搜索等场景。