pandas: calcula a similaridade do jaccard para cada linha com base no valor em outra coluna

Dec 15 2020

Eu tenho um dataframe como segue, apenas com mais linhas:

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 a semelhança do jaccard, encontrei esta peça online (não é a minha solução):

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

o que eu gostaria de obter como resultado é que a medida pegue cada linha da segunda coluna como doc e compare cada par iterativamente e produza uma medida com o nome da linha da primeira coluna mais ou menos assim:

First value and Second value = 80 

First value and Third value  = 95

Second value and Third value = 90

Respostas

AmitAmola Dec 15 2020 at 23:04

Bem, eu faria mais ou menos assim:

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}")

Resultado:

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

Como seus dados não são grandes, você pode tentar transmitir com uma abordagem um pouco 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

Resultado:

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