在Python中计算多个词典上的Jaccard相似度？

问题描述

我有一本词典是这样的：

my_dict = {'Community A': ['User 1', 'User 2', 'User 3'],
           'Community B': ['User 1', 'User 2'],
           'Community C': ['User 3', 'User 4', 'User 5'],
           'Community D': ['User 1', 'User 3', 'User 4', 'User 5']}

我的目标是对不同社区及其独特用户集之间的网络关系进行建模，以查看哪些社区最相似。目前，我正在探索使用Jaccard相似性。

我遇到过执行类似操作的答案，但只在两本词典上；在我的情况下，我有几本词典，需要计算每组词典之间的相似度。

另外，有些列表的长度不同：在其他答案中，我将0subin视为该情况下的缺失值，我认为这在我的情况下是可行的。

推荐答案

您需要的是Jaccard相似性矩阵。如果您希望通过元组(GroupA、GroupB)进行索引，则可以将它们存储为词典。

下面是一个简单的实现

def jaccard(first, second):
    return len(set(first).intersection(second)) / len(set(first).union(second))

keys = list(my_dict.keys())
result_dict = {}

for k in keys:
    for l in keys:
        result_dict[(k,l)] = result_dict.get((l,k), jaccard(my_dict[k], my_dict[l]))

则结果词典如下所示

print(result_dict)
{('Community A', 'Community A'): 1.0, ('Community A', 'Community B'): 0.6666666666666666, ('Community A', 'Community C'): 0.2, ('Community A', 'Community D'): 0.4, ('Community B', 'Community A'): 0.6666666666666666, ('Community B', 'Community B'): 1.0, ('Community B', 'Community C'): 0.0, ('Community B', 'Community D'): 0.2, ('Community C', 'Community A'): 0.2, ('Community C', 'Community B'): 0.0, ('Community C', 'Community C'): 1.0, ('Community C', 'Community D'): 0.75, ('Community D', 'Community A'): 0.4, ('Community D', 'Community B'): 0.2, ('Community D', 'Community C'): 0.75, ('Community D', 'Community D'): 1.0}

其中对角线元素显然是单位。

解释 get函数检查是否已计算该对，否则它将执行计算