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. ]])