文字列距離

機能

• 編集距離：距離に加えて文字ごとの対応表と変更箇所の一覧（置換・挿入・削除がそれぞれどれか）
• Damerau-Levenshtein：隣接交換を 1 手と数えるため `teh` → `the` は 2 ではなく 1
• Hamming 距離：⚠️ 長さが違うときは数値を出さずにその旨を伝えます —— その場合この尺度は定義されないためです
• Jaro / Jaro-Winkler 類似度（0〜1）。接頭辞は最大 4 文字、加点は原論文のしきい値 0.7 超のみ
• 最長共通部分列：長さと実際の部分列の両方
• ⚠️ 類似度には「これは約束事」という注記が付き、Jaro-Winkler と直接比較されないようにしています
• 日中韓の文字は対応表で 2 桁分として揃えるため、ずれません
• ⚠️ 1 つの文字列が 5000 文字を超える場合は計算せずに明示 —— 行列でタブが固まるため、固まった結果は誰の役にも立ちません
• 大文字小文字の区別は任意（正規化は比較にのみ影響し、表示する原文は変わりません）

使い方

1. 1 行目に A、2 行目に B を入れます
2. アルゴリズムを選びます —— それぞれ別の問いに答えます
3. 編集距離の経路では文字ごとの対応表が出るので、それに沿って直せます

よくある質問

なぜ 1 つの類似度ではなく 5 つのアルゴリズムなのですか？

別々の問いに答えるものだからです。1 つだけ示すと誤解を招きます。`teh` と `the` は編集距離で 2、Damerau で 1 —— どちらが正しいかは「キーを何回打ち間違えたか」を見るのか「何文字変わったか」を見るのかで決まります。Hamming は置換のみで同長が必須、DNA やビット誤りの場面です。Jaro-Winkler は距離ではなく類似度を返し、「先頭が同じなら同一人物」という方向に寄ります。間違ったものを選ぶと、数値は数値のままで問いには答えなくなります。

類似度に「約束事である」という注記が必要なのはなぜですか？

距離には厳密な定義がありますが（何回の編集か）、類似度にはありません —— 距離を 0〜1 に畳む方法は複数あります。ここでは `1 − 距離 ÷ 長いほうの長さ` を使っています。Jaro-Winkler は独自の定義を持つため、同じ入力で異なる値になるのは当然です。断らないと、利用者は 2 つの数値を比べて片方が壊れていると結論づけてしまいます。

長さが違うときに Hamming の数値を出さないのはなぜですか？

定義されないからです。Hamming 距離は「同じ長さの 2 つの系列が何箇所で異なるか」であり、長さが違えばその問い自体が成立しません。短いほうに合わせて切るなどして数値を作ることはできますが、それは何の問いにも答えないまま、権威があるように見えてしまいます。だから明示します。

長い入力を計算しないのはなぜですか？

これらのアルゴリズムはいずれも n × m の行列を作るからです。両側 2 万文字なら 4 億セル —— メモリを食い尽くし、そのうえタブが固まります。文字列比較の入力はもともと短いものです：誤字、氏名、1 行の識別子。長い文書を 2 つ貼るのはたいてい道具の選択ミスなので、5000 文字を超えたら固まるのではなく明示します。

入力が 2 行なのはなぜですか？

入力欄は 1 つしかないからです。2 つ目をオプション欄に置くこともできますが、文字列の比較は試行錯誤の連続で、変更のたびに入力欄を離れるのは苦痛です。代償は文字列に改行を入れられないことです —— これは意図したトレードオフで、アルゴリズム自体は複数行でも問題なく動きますが、「何文字目」が画面上で指せなくなります。