Distancia entre cadenas

Funciones

• Distancia de edición, con una alineación carácter a carácter y la lista de lo que cambió (qué sustituciones, inserciones y borrados)
• Damerau-Levenshtein: un intercambio de vecinos es un paso, así que `teh` → `the` es 1 y no 2
• Distancia de Hamming: ⚠️ cuando las longitudes difieren lo dice en vez de inventar un número, porque ahí la medida no está definida
• Similitud Jaro y Jaro-Winkler (0–1), con el prefijo limitado a 4 caracteres y el bonus solo por encima del umbral 0.7 del artículo original
• Subsecuencia común más larga: da la longitud y la subsecuencia misma
• ⚠️ La fila de similitud lleva una nota de que es una convención, para que no se compare con Jaro-Winkler
• Los caracteres CJK se alinean a dos columnas, así que la tabla no se desfasa
• ⚠️ Una cadena de más de 5000 caracteres se avisa en vez de calcularse: la matriz colgaría la pestaña, y un resultado congelado no ayuda a nadie
• Mayúsculas opcional, y normalizar solo afecta a la comparación, nunca a las cadenas que se muestran

Cómo se usa

1. Pon A en la primera línea y B en la segunda
2. Elige el algoritmo: responden a preguntas distintas
3. La ruta de distancia de edición da una alineación con la que trabajar

Preguntas frecuentes

¿Por qué cinco algoritmos en vez de un solo número de similitud?

Porque responden a preguntas distintas, y ofrecer uno solo engañaría. `teh` y `the` difieren en 2 por distancia de edición y en 1 por Damerau: cuál es correcto depende de si cuentas pulsaciones o letras cambiadas. Hamming solo admite sustituciones y exige la misma longitud, el caso del ADN y del error de bits. Jaro-Winkler devuelve una similitud en vez de una distancia y se inclina por «el mismo nombre si empieza igual». Elige el equivocado y el número sigue pareciendo un número, pero ya no responde a tu pregunta.

¿Por qué la similitud necesita una nota diciendo que es una convención?

Porque una distancia tiene una definición exacta (cuántas ediciones) y una similitud no: hay varias formas de llevar una distancia a un valor entre 0 y 1. Esta usa `1 − distancia ÷ longitud de la más larga`. Jaro-Winkler define la suya, así que es legítimo que discrepen con la misma entrada. Sin decirlo, la gente compara los dos números y concluye que uno está roto.

¿Por qué no se da un número para Hamming cuando las longitudes difieren?

Porque no está definido. La distancia de Hamming es «en cuántas posiciones difieren dos secuencias de igual longitud», y con longitudes distintas esa pregunta no existe. Se podría fabricar un número (truncando a la más corta, por ejemplo), pero no respondería a nada mientras parecería fiable. Así que la herramienta lo dice.

¿Por qué rechaza entradas muy largas?

Porque todos estos algoritmos construyen una matriz de n × m. Veinte mil caracteres por lado son cuatrocientos millones de celdas: agota la memoria y luego cuelga la pestaña. Además, la comparación de cadenas es para textos cortos: erratas, nombres, identificadores de una línea. Pegar dos documentos largos aquí suele significar que te has equivocado de herramienta, así que a partir de 5000 caracteres lo dice en vez de congelarse.

¿Por qué la entrada son dos líneas?

Porque un cuadro de texto contiene una cadena. La segunda podría ir en un campo de opciones, pero comparar cadenas es un proceso de probar cosas, y tener que salir del área de entrada en cada cambio es incómodo. El precio es que una cadena no puede contener saltos de línea: un compromiso deliberado, porque los algoritmos funcionan perfectamente con cadenas de varias líneas, pero «el carácter número N» deja de poder señalarse en la interfaz.