计算 2 个数据帧的每个元素之间的 Jaccard 距离

Question

我想计算 2 个数据帧之间的 Jaccard 距离。 具体来说，我想使用 CountVectorizer model 分别计算所有 Google 实体（34000 行，7 列）和所有亚马逊实体（34000 行，7 列）之间的成对 Jaccard 距离。 我为每个 dataframe 创建了一个 countVectorizer，如下所示：

cv = CountVectorizer(analyzer='word', ngram_range=(1,1), stop_words='english', binary=True)
cvGoogle = cv.fit_transform(goog_s)
cvAmazon = cv.fit_transform(amaz_s)

创建 CountVectorizer 后，我需要创建一个数据结构，在其中我使用Jaccard Distance比较两个向量的每个实体，并将其存储在 dataframe 中，其中每一行对应于 Google 数据集中的一个实体，每一列对应一个实体来自亚马逊数据集。

Answer 1

您可以尝试使用sklearn Jaccard distance或scipy Jaccard dissimilarity循环遍历 cols。

如果要比较两个匹配的实体，则

from scipy.spatial.distance import jaccard

my_df = pd.DataFrame()

# Assuming goog_s & amaz_s to be pd.DataFrame objects
for g_col, a_col in zip(goog_s.columns, amaz_s.columns): 
    my_df.loc[:, '_'.join([g_col, a_col])] = jaccard(goog_s[g_col].tolist(),
        amaz_s[a_col].tolist())