Python 如何从数据帧计算jaccard相似性
我有一个如下的数据帧:帧的形状是(15101399)。列表示产品,行表示用户为给定产品分配的值(0或1)。如何计算jaccard_相似度_分数 我创建了一个占位符数据框,列出了产品和产品Python 如何从数据帧计算jaccard相似性,python,pandas,matrix,similarity,Python,Pandas,Matrix,Similarity,我有一个如下的数据帧:帧的形状是(15101399)。列表示产品,行表示用户为给定产品分配的值(0或1)。如何计算jaccard_相似度_分数 我创建了一个占位符数据框,列出了产品和产品 data_ibs = pd.DataFrame(index=data_g.columns,columns=data_g.columns) 我不知道如何通过迭代数据来计算相似性 for i in range(0,len(data_ibs.columns)) : # Loop through the c
data_ibs = pd.DataFrame(index=data_g.columns,columns=data_g.columns)
我不知道如何通过迭代数据来计算相似性
for i in range(0,len(data_ibs.columns)) :
# Loop through the columns for each column
for j in range(0,len(data_ibs.columns)) :
.........
简短的矢量化(快速)回答:
使用scikit学习的成对距离中的“汉明”:
from sklearn.metrics.pairwise import pairwise_distances
jac_sim = 1 - pairwise_distances(df.T, metric = "hamming")
# optionally convert it to a DataFrame
jac_sim = pd.DataFrame(jac_sim, index=df.columns, columns=df.columns)
说明: 假设这是您的数据集:
import pandas as pd
import numpy as np
np.random.seed(0)
df = pd.DataFrame(np.random.binomial(1, 0.5, size=(100, 5)), columns=list('ABCDE'))
print(df.head())
A B C D E
0 1 1 1 1 0
1 1 0 1 1 0
2 1 1 1 1 0
3 0 0 1 1 1
4 1 1 0 1 0
使用sklearn的jaccard_相似度_分数,A列和B列之间的相似度为:
from sklearn.metrics import jaccard_similarity_score
print(jaccard_similarity_score(df['A'], df['B']))
0.43
这是在总行数100上具有相同值的行数
据我所知,jaccard_相似性_分数没有成对版本,但距离有成对版本
但是,SciPy的定义如下:
给定两个向量u和v,Jaccard距离是那些不一致的元素u[i]和v[i]的比例,其中至少有一个是非零的
因此,它排除了两列都有0值的行。jaccard_相似性_分数没有。另一方面,汉明距离符合相似性定义:
两个n向量u和v之间的向量元素的比例
他们不同意
因此,如果您想计算jaccard_相似度_分数,可以使用1-hamming:
from sklearn.metrics.pairwise import pairwise_distances
print(1 - pairwise_distances(df.T, metric = "hamming"))
array([[ 1. , 0.43, 0.61, 0.55, 0.46],
[ 0.43, 1. , 0.52, 0.56, 0.49],
[ 0.61, 0.52, 1. , 0.48, 0.53],
[ 0.55, 0.56, 0.48, 1. , 0.49],
[ 0.46, 0.49, 0.53, 0.49, 1. ]])
以数据帧格式:
jac_sim = 1 - pairwise_distances(df.T, metric = "hamming")
jac_sim = pd.DataFrame(jac_sim, index=df.columns, columns=df.columns)
# jac_sim = np.triu(jac_sim) to set the lower diagonal to zero
# jac_sim = np.tril(jac_sim) to set the upper diagonal to zero
A B C D E
A 1.00 0.43 0.61 0.55 0.46
B 0.43 1.00 0.52 0.56 0.49
C 0.61 0.52 1.00 0.48 0.53
D 0.55 0.56 0.48 1.00 0.49
E 0.46 0.49 0.53 0.49 1.00
您可以通过迭代列的组合来完成同样的操作,但速度会慢得多
import itertools
sim_df = pd.DataFrame(np.ones((5, 5)), index=df.columns, columns=df.columns)
for col_pair in itertools.combinations(df.columns, 2):
sim_df.loc[col_pair] = sim_df.loc[tuple(reversed(col_pair))] = jaccard_similarity_score(df[col_pair[0]], df[col_pair[1]])
print(sim_df)
A B C D E
A 1.00 0.43 0.61 0.55 0.46
B 0.43 1.00 0.52 0.56 0.49
C 0.61 0.52 1.00 0.48 0.53
D 0.55 0.56 0.48 1.00 0.49
E 0.46 0.49 0.53 0.49 1.00
实际上我想我可以通过1减去Jaccard相似度得到Jaccard距离。当然,根据定义,这些可能会改变。我的意思是sklearn的jaccard_相似性_分数不等于1-sklearn的jaccard距离。但它等于1-sklearn的汉明距离。例如,维基百科的定义与sklearn的不同。我不敢相信这没有更多的投票权。出色的工作。ThanksHi@ayhan是否可以对角删除结果的一半?由于结果中存在重复值?谢谢@ayhan归零