python - 从 Pandas 数据帧生成相似度矩阵

Question

我有一个df

id    val1    val2    val3
100    aa      bb      cc
200    bb      cc      0
300    aa      cc      0
400    bb      aa      cc

从这里我必须生成一个 df，像这样:

     100  200  300  400                    
100    3    2    2    3
200    2    2    1    2
300    2    1    2    2
400    3    2    2    3

说明:id 100包含aa,bb,cc，200包含bb,cc,0

有2个相似的值。

因此在我的最终矩阵中，应该插入 index-100 和 column 200 的交集单元格，2。

同样对于 id 200- 值是 bb,cc,0 而对于 id 300 - aa,cc,0

这里的相似度是1，因此在我的最终矩阵中200(index)-300(column)对应的单元格应插入1.

Answer 1

一些预处理。首先，set_index 到 id 并去掉 0，我们不需要它们。

df = df.set_index('id').replace('0', np.nan)

df    
    val1 val2 val3
id                
100   aa   bb   cc
200   bb   cc  NaN
300   aa   cc  NaN
400   bb   aa   cc 

现在，结合使用 pd.get_dummies 和 df.dot 并获得相似度分数。

x = pd.get_dummies(df)
y = x.groupby(x.columns.str.split('_').str[1], axis=1).sum()    
y.dot(y.T)

     100  200  300  400  
id                   
100    3    2    2    3
200    2    2    1    2
300    2    1    2    2
400    3    2    2    3