如何从 pandas 数据帧计算 jaccard 相似度
How to compute jaccard similarity from a pandas dataframe
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)) :
.........
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
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)) :
.........
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