使用Python进行杰卡德距离的非对称计算

Using Python for asymmetric calculation of jaccard distance

我有一些 SAS 编码,我正试图将其转换为 Python。我在计算非对称数据的 jaccard 距离时遇到了困难——在计算中应该忽略零。我确实在 jaccard 上找到了一些例子,但它们没有计算不对称距离。在我尝试重新发明轮子之前,只是检查一下图书馆是否有这个可用。如果有人可以引导我朝着正确的方向前进,我将不胜感激。

我的测试数据集包含 5 headers 和 5 行

H0  H1  H2  H3  H4

A  1  1  1  1  0

B  1  0  1  1  0

C  1  1  1  1  0

D  0  0  1  1  1

E  1  1  0  1  0

下面是 shorthand 和使用 SAS 计算的预期结果(距离):

. |  A   |    B   |    C   |   D   |   E

A |  0   |    0.25|    0   |   0.6 |   0.25

B |  0.25|    0   |    0.25|   0.5 |   0.5

C |  0   |    0.25|    0   |   0.6 |   0.25

D |  0.6 |    0.5 |    0.6 |   0   |   0.8

E |  0.25|    0.5 |    0.25|   0.8 |   0        

但是,在 python 中使用 jaccard,我得到如下结果:

.  |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

下面是我试验过的代码。我是 Python 的新手,所以我可能犯了一个明显的错误。我在底部添加了 SAS 代码,以防有人需要它作为参考:

Python代码:

np.random.seed(0)
df = pd.DataFrame(np.random.binomial(1, 0.5, size=(100, 5)), 
columns=list('ABCDE'))
print(df.head())

jac_sim = 1 - pairwise_distances(df.T, metric = "jaccard")
jac_sim = pd.DataFrame(jac_sim, index=df.columns, columns=df.columns)

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_similarity_score(df[col_pair[0]], df[col_pair[1]])
print(sim_df)

SAS 代码:

proc import datafile = '/home/xxx/xxx.csv'  
 out = work.Binary2 replace
 dbms = CSV;
 GUESSINGROWS=MAX;
run;
proc sort;
by VAR1;
run;
title ’Data Clustering of BN’;
proc distance data=Binary2 method=djaccard absent=0 out=distjacc;
var anominal (r0--r4);
id VAR1;
run;

我发现了一些明显的错误。首先,您需要创建 size=(5,5):

的矩阵
import pandas as pd
import numpy as np
from sklearn.metrics import pairwise_distances, jaccard_similarity_score

np.random.seed(0)
df = pd.DataFrame(np.random.binomial(1, 0.5, size=(5, 5)).T, columns=list('ABCDE'))
print(df.T)

第二,如果你只打印头部,你不会看到矩阵有超过 5 行。只有 5 行,这两个:

print(df.T.head())

print(df.T)

打印相同的结果:

   0  1  2  3  4
A  1  1  1  1  0
B  1  0  1  1  0
C  1  1  1  1  0
D  0  0  1  1  1
E  1  1  0  1  0

经过上述更改后可以使用 pairwise_distances:

jac_sim = pairwise_distances(df.T.astype(bool), metric = "jaccard")
jac_sim = pd.DataFrame(jac_sim, index=df.columns, columns=df.columns)
print(jac_sim)

为了得到想要的结果:

      A     B     C    D     E
A  0.00  0.25  0.00  0.6  0.25
B  0.25  0.00  0.25  0.5  0.50
C  0.00  0.25  0.00  0.6  0.25
D  0.60  0.50  0.60  0.0  0.80
E  0.25  0.50  0.25  0.8  0.00

上面代码中还有.astype(bool)是为了防止在运行pairwise_distance.

时出现警告

在应用转置 .T 时必须小心,因为 pairwise_distance 似乎更适合列而不是行。

有函数jaccard_similarity_score

import itertools
sim_df = pd.DataFrame(np.zeros((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))] = \
        1 - jaccard_similarity_score(df[col_pair[0]], df[col_pair[1]], normalize = True)
print(sim_df)

我得到了一个不同的矩阵:

     A    B    C    D    E
A  0.0  0.2  0.0  0.6  0.2
B  0.2  0.0  0.2  0.4  0.4
C  0.0  0.2  0.0  0.6  0.2
D  0.6  0.4  0.6  0.0  0.8
E  0.2  0.4  0.2  0.8  0.0

仔细观察jaccard_similarity_score:

print(df['A'])
print(df['B'])
jaccard_similarity_score(df['A'], df['B'], normalize = True)

显示没有排除零结果:

0    1
1    1
2    1
3    1
4    0
Name: A, dtype: int32
0    1
1    0
2    1
3    1
4    0
Name: B, dtype: int32
Out[123]: 0.8

因为结果是 4 个相似 / 5 个总计 = 0.8,而不是 3 个相似非零值 / 4 个总非零值 = 0.75。