参考了博客
对于编辑距离，我做了很详细的解释，具体如下：
import numpy as np
"""
此为编辑距离，就是str1转化为str2的编辑距离
采用的就是动态规划思想
举例说明，我们以 str1="leensh"，str2="levensh"为例，首先得到的结果为：
l e v e n s h
[[0. 1. 2. 3. 4. 5. 6. 7.]
l [1. 0. 1. 2. 3. 4. 5. 6.]
e [2. 1. 0. 1. 2. 3. 4. 5.]
e [3. 2. 1. 1. 1. 2. 3. 4.]
n [4. 3. 2. 2. 2. 1. 2. 3.]
s [5. 4. 3. 3. 3. 2. 1. 2.]
h [6. 5. 4. 4. 4. 3. 2. 1.]]
首先第一个字符完全一致，所以矩阵[1,1]为0，不需要更改，如果[1,2],[1,3],...[1,7]都做改变，距离一次累加，相当于，不管以后的字符，只管
str1只有一个字符l的情况下，变成str2的方法，需要把后边全部变化成str2对应的字符串，所以【1,2】，..,[1,7]依次累计，同理
当第二行，[2,1],认为str2，只有l的时候，由于第一个字符相同，所以str2变成str1只需当前1个过程，【2,2】为0，由于前两个字符相同，同理[2,3],...
[2,7]，当在第3行时，【3,3】为1，但是[3,4]为什么也为1，这个是关键，变成[3,4],有三个可能，[2,4],[3,3],[2,3],由于最小积累在，[3,3],[2,3]对应的
待匹配字符串分别为lev ，lev，，但是[3,3]进入到[3,4],需要添加e，这样总代价变成了[3,3]+1=2,而[2,3]当前字符串为lev,我们提供的【2,3】变成第3行
添加了一个e所以，与待匹配e相同，没有变化，所以总代价还是1，而[3,3]已经把给的e变成了v，所以到第4步，需要重新添加e，所以代价为2，依次剩余字符串相同
所以总代价为1，他只需添加了一个
"""
def distance_str(str1,str2):
dp=np.zeros((len(str1)+1,len(str2)+1))
m=len(str1)
n=len(str2)
for k in range(1,m+1):
dp[k][0]=k
for k in range(1,n+1):
dp[0][k]=k
for k in range(1,m+1):
for j in range(1,n+1):
dp[k][j]=min(dp[k-1][j],dp[k][j-1])+1 #这里表示上边和下边的数值最小数值
if str1[k-1]==str2[j-1]:
dp[k][j]=min(dp[k][j],dp[k-1][j-1])
else:
dp[k][j]=min(dp[k][j],dp[k-1][j-1]+1)
print(dp)
if __name__ == '__main__':
str1="leensh"
str2="levensh"