pandas:別の列の値に基づいてすべての行のジャッカードの類似性を計算します

Dec 15 2020

次のようなデータフレームがありますが、行数が多いだけです。

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'])

ジャッカードの類似性を計算するために、私はこの作品をオンラインで見つけました(私の解決策ではありません):

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

結果として取得したいのは、メジャーが2番目の列の各行をdocとして取得し、各ペアを繰り返し比較して、最初の列の行名を持つメジャーを次のように出力することです。

First value and Second value = 80 

First value and Third value  = 95

Second value and Third value = 90

回答

AmitAmola Dec 15 2020 at 23:04

まあ、私はそれをこのようにやややります:

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}")

出力:

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
1 QuangHoang Dec 15 2020 at 22:54

データは大きくないので、少し異なるアプローチでブロードキャストを試すことができます。

# 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

出力:

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