Pandas：在约束条件下对每对列应用函数

Question

正如标题所说，我试图在某些条件下对数据框的每对列应用一个函数。我将尝试说明这一点。我的 df 的形式是：

Code |  14  |  17  |  19  | ...
w1   |  0   |   5  |   3  | ...
w2   |  2   |   5  |   4  | ... 
w3   |  0   |   0  |   5  | ...

代码对应于矩形网格中的确定位置，ws 是不同的词。我只想在每对列之间应用余弦相似性度量 （已编辑！） 如果其中一列中的项目总和大于 5 .

所需的输出类似于：

     | [14,17]  |  [14,19]  |  [14,...]  |  [17,19]  | ...
Sim  |cs(14,17) |cs(14,19)  |cs(14,...)  |cs(17,19)..| ...

cs 是每对列的余弦相似度的结果。有什么合适的方法吗？

如有任何帮助，我们将不胜感激:-)

Answer 1

要将余弦度量应用于两个输入集合中的每一对，您可以使用 scipy.spatial.distance.cdist。这将比使用双 Python 循环。

设一个集合为df的所有列。让其他集合仅是那些总和大于5的列：

import pandas as pd
df = pd.DataFrame({'14':[0,2,0], '17':[5,5,0], '19':[3,4,5]})
mask = df.sum(axis=0) > 5
df2 = df.loc[:, mask]

然后调用一次cdist即可计算出所有的余弦相似度：

import scipy.spatial.distance as SSD
values = SSD.cdist(df2.T, df.T, metric='cosine')
# array([[  2.92893219e-01,   1.11022302e-16,   3.00000000e-01],
#        [  4.34314575e-01,   3.00000000e-01,   1.11022302e-16]])

这些值可以包装在一个新的 DataFrame 中并重新整形：

result = pd.DataFrame(values, columns=df.columns, index=df2.columns)
result = result.stack()

import pandas as pd
import scipy.spatial.distance as SSD
df = pd.DataFrame({'14':[0,2,0], '17':[5,5,0], '19':[3,4,5]})
mask = df.sum(axis=0) > 5
df2 = df.loc[:, mask]
values = SSD.cdist(df2.T, df.T, metric='cosine')
result = pd.DataFrame(values, columns=df.columns, index=df2.columns)
result = result.stack()
mask = result.index.get_level_values(0) != result.index.get_level_values(1)
result = result.loc[mask]
print(result)

产生系列

17  14    0.292893
    19    0.300000
19  14    0.434315
    17    0.300000

Pandas：在约束条件下对每对列应用函数

Pandas: Apply function over each pair of columns under constraints

python

pandas

cosine-similarity