Python：Jaccard使用单词交集但不是字符交集的距离

Question

我没有意识到Python设置函数实际上将字符串分成单个字符。 我为Jaccard编写了python函数并使用了python intersection方法。 我将两个集合传递给了这个方法，在将两个集合传递给我的jaccard函数之前，我在setring上使用了set函数。

例如：假设我有字符串NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg我会调用set(NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg)将字符串分成字符。 所以当我把它发送到jaccard函数交集时实际看字符交集而不是字对话。 我该如何进行单词到单词的交集。

#implementing jaccard
def jaccard(a, b):
    c = a.intersection(b)
    return float(len(c)) / (len(a) + len(b) - len(c))

如果我不在我的字符串上调用set功能NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg我收到以下错误：

    c = a.intersection(b)
AttributeError: 'str' object has no attribute 'intersection'

而不是字符到字符的交集我想做单词到单词交叉并获得jaccard相似性。

Answer 1

尝试首先将字符串拆分为单词：

word_set = set(your_string.split())

例：

>>> word_set = set("NEW Fujifilm 16MP 5x".split())
>>> character_set = set("NEW Fujifilm 16MP 5x")
>>> word_set
set(['NEW', '16MP', '5x', 'Fujifilm'])
>>> character_set
set([' ', 'f', 'E', 'F', 'i', 'M', 'j', 'm', 'l', 'N', '1', 'P', 'u', 'x', 'W', '6', '5'])

Answer 2

我计算Jaccard距离的函数：

def DistJaccard(str1, str2):
    str1 = set(str1.split())
    str2 = set(str2.split())
    return float(len(str1 & str2)) / len(str1 | str2)

>>> DistJaccard("hola amigo", "chao amigo")
0.333333333333

Answer 3

此属性不是集的唯一属性：

>>> list('NEW Fujifilm')
['N', 'E', 'W', ' ', 'F', 'u', 'j', 'i', 'f', 'i', 'l', 'm']

这里发生的是字符串被视为可迭代序列并逐字符处理。

你在set中看到同样的事情：

>>> set('string')
set(['g', 'i', 'n', 's', 'r', 't'])

要修复，请在现有集上使用.add（），因为.add（）不使用interable：

>>> se=set()
>>> se.add('NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg')
>>> se
set(['NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg'])

或者，使用split（），元组，列表或某个备用迭代，以便不将字符串视为可迭代：

>>> set('something'.split())
set(['something'])
>>> set(('something',))
set(['something'])
>>> set(['something'])
set(['something'])

根据您的字符串逐个字添加更多元素：

>>> se=set(('Something',)) | set('NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg'.split())   

或者，如果您在添加到集合时需要理解某些逻辑：

>>> se={w for w in 'NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg'.split() 
         if len(w)>3}
>>> se
set(['Shoot', 'CAMERA', 'Point', 'screen.jpg', 'Zoom', 'Fujifilm', '16MP', 'Optical'])

它现在的工作方式如下：

>>> 'Zoom' in se
True
>>> s1=set('NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg'.split())
>>> s2=set('Fujifilm Optical Zoom CAMERA NONE'.split())
>>> s1.intersection(s2)
set(['Optical', 'CAMERA', 'Zoom', 'Fujifilm'])

Answer 4

这是我根据set函数编写的那个 -

def jaccard(a,b):
    a=a.split()
    b=a.split()
    union = list(set(a+b))
    intersection = list(set(a) - (set(a)-set(b)))
    print "Union - %s" % union
    print "Intersection - %s" % intersection
    jaccard_coeff = float(len(intersection))/len(union)
    print "Jaccard Coefficient is = %f " % jaccard_coeff