Python 创建奇怪的边矩阵

我有一个这样的数据帧：

import pandas as pd

df = pd.DataFrame(columns = ['id', 'tag'])

df['id'] = (['1925782942580621034', '1925782942580621034',
   '1925782942580621034', '1925782942580621034',
   '1930659617975470678', '1930659617975470678',
   '1930659617975470678', '1930659617975470678',
   '1930659617975470678', '1930659617975470678',
   '1930659617975470678', '1930659617975470678',
   '1971229370376634911', '1971229370376634911',
   '1971229370376634911', '1971229370376634911',
   '1971229370376634911', '1971229370376634911',
   '1971229370376634911', '1971229370376634911',
   '1971229370376634911'])

df['tag'] = (['nintendo', 'cosmetic', 'pen', 'office supplies', 'holding',
   'person', 'hand', 'text', 'design', 'pen', 'office supplies',
   'cosmetic', 'tool', 'office supplies', 'weapon', 'indoor',
   'everyday carry', 'pen', 'knife', 'electronics', 'case'])

df

我想在这方面努力，以获得如下成果：

df_wish = pd.DataFrame(columns = ['id_source', 'id_target', 'common_tags'])

其中：

df_with['id_source'] #is the "id" that we are taking care of
df_with['id_target'] #is the "id" that has at least one "tag" in common with "id_source"
df_with['common_tags'] #is the number of shared "tag" between "id_source" and "id_target"

---

你能帮我吗？非常感谢

如果您没有太多的标签/ID，您可以执行

交叉表

并广播：

s = pd.crosstab(df['id'], df['tag'])
idx = s.index

s = s.values
pd.DataFrame(np.sum(s[None,:] & s[:, None], axis=-1), 
             index=idx, columns=idx)

输出：

                       1925782942580621034    1930659617975470678    1971229370376634911
-------------------  ---------------------  ---------------------  ---------------------
1925782942580621034                      4                      3                      2
1930659617975470678                      3                      8                      2
1971229370376634911                      2                      2                      9

---

你有多少个标签/标识？也可以在我的回答后看到评论。比如15k个唯一标识和大约100k个唯一标签。我有32GB的RAM内存和i7CPU。谢谢你也可以只做

s=pd.crosstab（df['id']，df['tag']）；s@s.T

@jdehesa这实际上是一个很好的解决方案。我刚才回答了：）关于完整的问题，我想完整的请求输出可以用类似于

df2=（s@s.t）.unstack（）的东西构成；df2.name=‘公共_标签’；df2.index.names=['id_source'，'id_target']；out=df2.reset_index（）