如何从 pandas 数据帧计算 jaccard 相似度

Question

我有一个数据框如下：框的形状是(1510, 1399)。列代表产品，行代表用户为给定产品分配的值（0 或 1）。我怎样才能计算出 jaccard_similarity_score?

我创建了一个占位符数据框，列出产品与产品

data_ibs = pd.DataFrame(index=data_g.columns,columns=data_g.columns)

我不确定如何迭代 data_ibs 来计算相似度。

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)) :
.........

Answer 1

简短且矢量化（快速）的答案：

使用来自 scikit learn 的成对距离的'hamming'：

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)

解释：

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_score，A 列和 B 列之间的相似度是：

from sklearn.metrics import jaccard_score
print(jaccard_score(df['A'], df['B']))
0.43

这是总行数 100 中具有相同值的行数。

据我所知，jaccard_score 没有成对版本，但距离有成对版本。

然而，SciPy定义Jaccard distance如下：

Given two vectors, u and v, the Jaccard distance is the proportion of those elements u[i] and v[i] that disagree where at least one of them is non-zero.

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

The proportion of those vector elements between two n-vectors u and v which disagree.

所以如果你想计算jaccard_score，你可以使用1-海明：

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.  ]])

DataFrame 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执行相同的操作，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_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

如何从 pandas 数据帧计算 jaccard 相似度

How to compute jaccard similarity from a pandas dataframe

python

pandas

matrix

similarity