位串相似性

Question

我有一个CSV文件，包含14000行问卷的数据。问卷有MCQ多重回答（M10，M13）。对于MCQ-MR，如M13中有8个选项，如果受访者选择某个选项，则表示为1，否则表示为0。我想为每个位串生成一个相似性分数，并用位串替换它。得分的计算方式应类似于00010011和00100011更相似，因为被调查者选择了相同的选择，除了第三和第四个选择，因此得分必须比00010011和00000001更接近。你知道吗

M10,M13
1111000100001000,00000001
101010000001000,00000001
111010000001000,00010011
110010000001100,00100011

This线程提供了一些关于比较两个字符串之间的Levenshtein距离的细节。但对于14000行来说，这将是一个巨大的计算负担。还有别的方法吗？你知道吗

Answer 1

Levenshtein编辑距离不是你想要的。它会认为A=101010和B=010101非常相似，因为可以通过在开始处添加0并在结束处删除1来将A转换为B。你可能更希望他们被认为是最大的不同，虽然，因为他们在每个位置不同。你知道吗

所以你想要的只是位串的对称差。对两个位字符串执行按位异或运算，并计算结果中的1位，每一位对应于两个位之间不同的位。你知道吗