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

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