Python &引用；相关矩阵；对于字符串。名义数据的相似性

这是我的数据框。 df

---

我正在寻找一种方法来计算商店中同时出现的次数（比较它们的相似性）。

如果您希望估计商店与其产品的相似性，那么您可以使用：

然后，每个商店可以用一个向量来描述，其长度为n=所有商店中所有产品的数量，例如：

香蕉 橙色 苹果 梨 梅子 橘子 覆盆子 番茄 甜瓜 . .

然后将存储_1描述为1 1 0 0 0 0。。。 存储区2 1 0 0 1 0 1 1 1 0

---

这将为您留下一个数值向量，您可以在其中计算相异度量，例如欧几里德距离

你可以试试这样的东西

import itertools as it
corr = lambda a,b: len(set(a).intersection(set(b)))/len(a)
c = [corr(*x) for x in it.combinations_with_replacement(df.T.values.tolist(),2)]

j = 0
x = []
for i in range(4, 0, -1): # replace 4 with df.shape[-1]
    x.append([np.nan]*(4-i) + c[j:j+i])
    j+= i
pd.DataFrame(x, columns=df.columns, index=df.columns)

产生

        store_1 store_2 store_3 store_4
store_1 1.0     0.4     0.4     0.8
store_2 NaN     1.0     0.2     0.4
store_3 NaN     NaN     1.0     0.2
store_4 NaN     NaN     NaN     1.0

---

我正在考虑使用df[“store_1”]=df[“store_1”].astype（'category'）.cat.code，但这将为不同商店中的不同项目分配类似的类别。为了更好地解释：例如：store_1与store 2有2个交叉点，store_3有2个交叉点，store_4有4个交叉点。。。等等寻找相应的计数和可视化方法随着数据集中每个商店的“产品”数量的增加，可能很难简洁地将其可视化，除非应用规则来消除低频项。无论哪种方式，“杂货店”（或者你在这里比较的任何东西）都有可能提供高基数的产品。

        store_1 store_2 store_3 store_4
store_1 1.0     0.4     0.4     0.8
store_2 NaN     1.0     0.2     0.4
store_3 NaN     NaN     1.0     0.2
store_4 NaN     NaN     NaN     1.0