web-dev-qa-db-ja.com

pandasデータフレームからジャカードの類似性を計算する方法

次のようなデータフレームがあります。フレームの形状は（1510、1399）です。列は製品を表し、行は特定の製品に対してユーザーが割り当てた値（0または1）を表します。 jaccard_similarity_scoreを計算するにはどうすればよいですか？

enter image description here

製品対製品のプレースホルダーデータフレームリストを作成しました

data_ibs = pd.DataFrame(index=data_g.columns,columns=data_g.columns)

類似性を計算するためにdata_ibsを反復する方法がわかりません。

for i in range(0,len(data_ibs.columns)) :
    # Loop through the columns for each column
    for j in range(0,len(data_ibs.columns)) :
.........
pythonpandasmatrixsimilarity
10
kitchenprinzessin

短いベクトル化された（速い）答え：

Scikit学習のペアワイズ距離から「ハミング」を使用します。

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)

説明：

これがあなたのデータセットであると仮定します：

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のjaccard_similarity_scoreを使用すると、列AとBの類似性は次のようになります。

from sklearn.metrics import jaccard_similarity_score
print(jaccard_similarity_score(df['A'], df['B']))
0.43

これは、行の総数100に対して同じ値を持つ行の数です。

私の知る限り、jaccard_similarity_scoreのペアワイズバージョンはありませんが、距離のペアワイズバージョンはあります。

ただし、SciPyは Jaccard distance を次のように定義します。

2つのベクトルuとvが与えられた場合、ジャカード距離は、それらの少なくとも1つが非ゼロである場合に不一致となる要素u [i]とv [i]の比率です。

したがって、両方の列の値が0である行は除外されます。 jaccard_similarity_scoreにはありません。一方、ハミング距離は類似性の定義と一致しています。

一致しない2つのn-ベクトルuとvの間のベクトル要素の比率。

したがって、jaccard_similarity_scoreを計算する場合は、1-ハミングを使用できます。

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.  ]])

DataFrame形式：

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

列の組み合わせを反復することによって同じことを行うことができますが、それははるかに遅くなります。

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
45
ayhan