pandas: calcula la similitud de jaccard para cada fila en función del valor en otra columna

Question

Tengo un marco de datos de la siguiente manera, solo con más filas:

import pandas as pd

data = {'First':  ['First value', 'Second value','Third value'],
'Second': [['old','new','gold','door'], ['old','view','bold','door'],['new','view','world','window']]}

df = pd.DataFrame (data, columns = ['First','Second'])

Para calcular la similitud de jaccard, encontré esta pieza en línea (no es mi solución):

def lexical_overlap(doc1, doc2): 
    words_doc1 = set(doc1) 
    words_doc2 = set(doc2)

    intersection = words_doc1.intersection(words_doc2)
    union = words_doc1.union(words_doc2)
    
    return float(len(intersection)) / len(union) * 100

lo que me gustaría obtener como resultado es que la medida tome cada fila de la Segunda columna como documento y compare cada par de forma iterativa y genere una medida con el nombre de la fila de la Primera columna, algo como esto:

First value and Second value = 80 

First value and Third value  = 95

Second value and Third value = 90

Answer 1

Bueno, lo haría algo así:

from itertools import combinations

for val in list(combinations(range(len(df)), 2)):
    firstlist = df.iloc[val[0],1]
    secondlist = df.iloc[val[1],1]
    
    value = round(lexical_overlap(firstlist,secondlist),2)
    
    print(f"{df.iloc[val[0],0]} and {df.iloc[val[1],0]}'s value is: {value}")

Salida:

First value and Second value's value is: 33.33
First value and Third value's value is: 14.29
Second value and Third value's value is: 14.29

Answer 2

Dado que sus datos no son grandes, puede intentar transmitir con un enfoque ligeramente diferente:

# dummy for each rows
s = pd.get_dummies(df.Second.explode()).sum(level=0).values

# pair-wise jaccard
([email protected])/(s|s[:,None,:]).sum(-1) * 100

Salida:

array([[100.        ,  33.33333333,  14.28571429],
       [ 33.33333333, 100.        ,  14.28571429],
       [ 14.28571429,  14.28571429, 100.        ]])