进入python-Levenshtein源码目录下有setup.py，安装用pythonsetup.pyinstall使用python-Levenshtein模块importLevenshtein算法说明1).Levenshtein.hamming(str1,str2)计算汉明距离。要求str1和str2必须长度一致。是描述两个等长字串之间对应位置上不同字符的个数。2).Levenshtein.distance(str1,str2)计算编辑距离（也称为Levenshtein距离）。是描述由一个字串转化成另一个字串最少的操作次数，在其中的操作包括插入、删除、替换。算法实现参考动态规划整理。3).Levenshtein.ratio(str1,str2)计算莱文斯坦比。计算公式r=(sum-ldist)/sum,其中sum是指str1和str2字串的长度总和，ldist是类编辑距离注意：这里的类编辑距离不是2中所说的编辑距离，2中三种操作中每个操作+1，而在此处，删除、插入依然+1，但是替换+2这样设计的目的：ratio('a','c')，sum=2,按2中计算为（2-1）/2=0.5,’a','c'没有重合，显然不合算，但是替换操作+2，就可以解决这个问题。4).Levenshtein.jaro(s1,s2)
创新互联是一家集网站建设,泉州企业网站建设,泉州品牌网站建设,网站定制,泉州网站建设报价,网络营销,网络优化,泉州网站推广为一体的创新建站企业，帮助传统企业提升企业形象加强企业竞争力。可充分满足这一群体相比中小企业更为丰富、高端、多元的互联网需求。同时我们时刻保持专业、时尚、前沿，时刻以成就客户成长自我，坚持不断学习、思考、沉淀、净化自己，让我们为更多的企业打造出实用型网站。
#!/usr/bin/python
#~替换成TAB或空格
if __name__=="__main__":
~line = None
~while line != 'exit':
~~line = raw_input('')
~~~try:
~~~~print eval(line)
~~~except:
~~~~print 'Error'
实际上完成逻辑回归是相当简单的，首先指定要预测变量的列，接着指定模型用于做预测的列，剩下的就由算法包去完成了。
本例中要预测的是admin列，使用到gre、gpa和虚拟变量prestige_2、prestige_3、prestige_4。prestige_1作为基准，所以排除掉，以防止多元共线性(multicollinearity)和引入分类变量的所有虚拟变量值所导致的陷阱(dummy variable trap)。
程序缩进如图所示
