如何从pandas数据帧计算jaccard相似度

如何从pandas数据帧计算jaccard相似度

简短且向量化（快速）的答案：

从scikit的成对距离使用“汉明”学习：

from sklearn.metrics.pairwise import pairwise_distancesjac_sim = 1 - pairwise_distances(df.T, metric = "hamming")# optionally convert it to a Dataframejac_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 pdimport numpy as npnp.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  E0  1  1  1  1  01  1  0  1  1  02  1  1  1  1  03  0  0  1  1  14  1  1  0  1  0

使用sklearn的jaccard_similarity_score，A列和B列之间的相似度为：

from sklearn.metrics import jaccard_similarity_scoreprint(jaccard_similarity_score(df['A'], df['B']))0.43

这是在总行数100中具有相同值的行数。

据我所知，没有jaccard_similarity_score的成对版本，但有距离的成对版本。

但是，SciPy定义Jaccard距离如下：

给定两个向量u和v，Jaccard距离是那些元素u [i]和v [i]在其中至少一个为非零的地方不一致的比例。

因此，它排除了两列均为0的行。jaccard_similarity_score没有。另一方面，汉明距离符合相似性定义：

这些向量元素在两个不同的n个向量u和v之间的比例。

因此，如果要计算jaccard_similarity_score，则可以使用1-汉明：

from sklearn.metrics.pairwise import pairwise_distancesprint(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.  ]])

在Dataframe格式中：

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     EA  1.00  0.43  0.61  0.55  0.46B  0.43  1.00  0.52  0.56  0.49C  0.61  0.52  1.00  0.48  0.53D  0.55  0.56  0.48  1.00  0.49E  0.46  0.49  0.53  0.49  1.00

您可以通过遍历列的组合来执行相同的 *** 作，但是会慢得多。

import itertoolssim_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     EA  1.00  0.43  0.61  0.55  0.46B  0.43  1.00  0.52  0.56  0.49C  0.61  0.52  1.00  0.48  0.53D  0.55  0.56  0.48  1.00  0.49E  0.46  0.49  0.53  0.49  1.00