计算相似度在90%以上的字符串

可以使用字符串匹配算法来计算相似度。其中一种常用的算法是Levenshtein距离算法，也称为编辑距离算法。它可以计算两个字符串之间的最小编辑距离，即需要进行多少次插入、删除、替换操作才能将一个字符串转换为另一个字符串。通过将编辑距离转换为相似度，可以得到两个字符串的相似度。

具体实现可以使用动态规划来解决。第一步需要初始化一个二维数组，表示两个字符串之间的编辑距离。然后根据以下三种操作来更新数组：

1. 插入操作：在第一个字符串中插入一个字符，等价于在第二个字符串中删除一个字符。
2. 删除操作：在第一个字符串中删除一个字符，等价于在第二个字符串中插入一个字符。
3. 替换操作：将第一个字符串中的一个字符替换为另一个字符。

最后，编辑距离除以两个字符串的长度之和，再用1减去结果，得到两个字符串的相似度。

具体实现可以参考以下Python代码：

def similarity(s1, s2):
    m, n = len(s1), len(s2)
    dp = [[0] * (n + 1) for _ in range(m + 1)]
    for i in range(m + 1):
        dp[i][0] = i
    for j in range(n + 1):
        dp[0][j] = j
    for i in range(1, m + 1):
        for j in range(1, n + 1):
            if s1[i - 1] == s2[j - 1]:
                dp[i][j] = dp[i - 1][j - 1]
            else:
                dp[i][j] = 1 + min(dp[i - 1][j - 1], dp[i - 1][j], dp[i][j - 1])
    distance = dp[m][n]
    similarity = 1 - distance / (m + n)
    return similarity

其中，s1和s2表示两个字符串，similarity函数返回它们的相似度。如果相似度大于等于0.9，则可以认为两个字符串相似度较高。