Algorithm 寻找数据集之间的相似性

我有包含不同值的数据集：

Set1={X1，X2，…，Xn}

Set2={X1，X2，…，Xn}

X值有不同的范围（这正是我无法找出解决问题所需的算法的原因）-一些值严格来说是[0.0-1.0]值，其他值可能在不同/任何范围内

我需要找出一种方法来“分组”这些集合，或者换句话说，找到两个给定集合之间的“相似性”

显然，我可以简单地编写长链的“IF”语句，将每个值与另一个值进行比较，如果它们相差一定的增量，我可以指出两个给定的集合不是“相似”的。问题是，我的集合非常庞大，包含动态数据。因此，我需要一个通用函数来计算每个集合的某种散列值（至少我是这么想的）：

int hash1=HashFunction（Set1）

int hash2=HashFunction（Set2）

if（| hash1-hash2 | 我真的很感激任何提示或想法如何实施它

更新：

通过阅读评论，我意识到也许我也应该改变一下我的问题：对于一个好的“相似性”指标，你有什么建议

我所说的“相似性”是指一些动态值，表明集合的值有多“接近”。例如，如果我有一个测试集：SetA{0.5100}，那么SetB{0.5100}应该产生1（或者其他一些表示完全匹配的值）。同时，将SetA与SetC{0.1300}进行比较应该返回一个更低的“匹配”值，而SetD{0.45101}应该返回一个类似于“完美匹配”的值。这里需要注意的关键点是，例如，0.45和0.5的值比100和300的值“更相似”，因为：| 0.45-0.5 |/max（0.45，0.5）<| 100-300 |/max（100300）

---

如果我只是计算两个集合之间的值差之和，它不会给我提供任何有意义的结果（因为两个集合可以包含完全不同的数字（从逻辑角度来看），但会相互抵消，从而给出错误的结果）

因此，您想知道两个对象之间的距离。在数学中，一个集合加上一个运算，为集合中的对象给出一个距离，称为a

---

显然，度量有几种可能的选择。常见的是绝对差之和（距离=|x1-y1 |+| x2-y2 |+…）和平方差之和（距离=（x1-y1）²+（x2-y2）²+…）。如果这些指标不适合您，请定义“相似”的含义。

因为您的集合具有相同的基数，但您不关心顺序（即，它们是集合，而不是向量），我建议的一种方法是：对集合进行排序并将其视为向量

现在的问题是，在R2上选择哪个

选择很多。基本上，您可以选择R上的任何度量并按坐标组合它们

所以，如果你想要相对差异，你可以定义

相对距离（x，y）=绝对值（x-y）/最大值（x，y）

地区1（A，B）=sumi（相对地区（ai，bi））

或

地区2（A，B）=sqrt（sumi（相对地区（ai，bi）2））

---

请记住，A和B是排序的，因此ai应该匹配bi。

您必须对“相似”的含义进行显著的细化，才能得到有意义的答案。语言的选择在某种程度上会影响响应-您使用的是什么堆栈？设置的元素是什么？数字？你对相似性的概念是什么？例如，{1；2；3}比{1.1；1.9；3.01}更接近{1；2；4}吗？@JerKimball好吧，我用的是C#，但我认为不应该matter@rexem它可能不会影响算法方法，但可能会影响实现路线，特别是在“通用”意义上。