लघु और vectorized (तेज) जवाब:
scikit जोड़ो में दूरी से प्रयोग करें 'आलोचनात्मक' सीखना:
from sklearn.metrics.pairwise import pairwise_distances
jac_sim = 1 - pairwise_distances(df.T, metric = "hamming")
# optionally convert it to a DataFrame
jac_sim = pd.DataFrame(jac_sim, index=df.columns, columns=df.columns)
स्पष्टीकरण:
मान लें यह है आपका डेटासेट:
import pandas as pd
import numpy as np
np.random.seed(0)
df = pd.DataFrame(np.random.binomial(1, 0.5, size=(100, 5)), columns=list('ABCDE'))
print(df.head())
A B C D E
0 1 1 1 1 0
1 1 0 1 1 0
2 1 1 1 1 0
3 0 0 1 1 1
4 1 1 0 1 0
sklearn के jaccard_similarity_score, स्तंभ ए और बी के बीच समानता का उपयोग करना है:
from sklearn.metrics import jaccard_similarity_score
print(jaccard_similarity_score(df['A'], df['B']))
0.43
यह मैं के रूप में जहाँ तक पंक्तियों पंक्तियों की कुल संख्या से अधिक एक ही मूल्य है कि की संख्या, 100
है पता है, jaccard_similarity_score का कोई जोड़ी संस्करण नहीं है लेकिन दूरी के जोड़ों के संस्करण हैं। इस प्रकार
हालांकि, SciPy Jaccard distance परिभाषित करता है:
को देखते हुए दो वैक्टर, यू और वी, Jaccard दूरी उन तत्वों का अनुपात है यू [i] और वी [i] कि असहमत जहां कम से कम एक उनमें से शून्य नहीं है।
तो यह उन पंक्तियों को बाहर करता है जहां दोनों कॉलम में 0 मान हैं। jaccard_similarity_score नहीं करता है। दूरी हैमिंग, दूसरे हाथ पर, समानता परिभाषा के साथ इनलाइन है:
उन वेक्टर तत्वों का अनुपात दो वैक्टर n u और वी जो असहमत के बीच।
from sklearn.metrics.pairwise import pairwise_distances
print(1 - pairwise_distances(df.T, metric = "hamming"))
array([[ 1. , 0.43, 0.61, 0.55, 0.46],
[ 0.43, 1. , 0.52, 0.56, 0.49],
[ 0.61, 0.52, 1. , 0.48, 0.53],
[ 0.55, 0.56, 0.48, 1. , 0.49],
[ 0.46, 0.49, 0.53, 0.49, 1. ]])
एक DataFrame के स्वरूप में:: के संयोजन से अधिक पुनरावृत्ति द्वारा
jac_sim = 1 - pairwise_distances(df.T, metric = "hamming")
jac_sim = pd.DataFrame(jac_sim, index=df.columns, columns=df.columns)
# jac_sim = np.triu(jac_sim) to set the lower diagonal to zero
# jac_sim = np.tril(jac_sim) to set the upper diagonal to zero
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
आप भी ऐसा कर सकते आलोचनात्मक -
तो अगर आप jaccard_similarity_score गणना करना चाहते हैं, तो आप उपयोग कर सकते हैं 1 कॉलम लेकिन यह बहुत धीमा हो जाएगा।
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)
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
असल में मुझे लगता है कि मैं जैककार्ड दूरी को 1 शून्य जैककार्ड समानता से प्राप्त कर सकता हूं। – kitchenprinzessin
बेशक, परिभाषा के आधार पर वे बदल सकते हैं। मेरा मतलब था sklearn की jaccard_similarity_score 1 - sklearn की jaccard दूरी के बराबर नहीं है। लेकिन यह 1 - sklearn की हथौड़ा दूरी के बराबर है। विकिपीडिया की परिभाषा, उदाहरण के लिए, sklearn की तुलना में अलग है। – ayhan
मुझे विश्वास नहीं है कि इसमें अधिक अपवर्तक नहीं हैं। उत्कृष्ट कार्य। धन्यवाद – Private