Jaccard 的 Python 包函数集合之间的相似性？

Question

是否可以使用 scikit-learn(或另一个著名的 python 包)来获取一对集合之间的 Jaccard 相似度？

我只看到 sklearn jaccard_similarity_score function处理等长的向量/数组/张量，而我确实需要 intersection-over-union计算，这是一个集合计算，而不是对两个相同大小的张量的计算。

也许我应该使用 the multi-label-binarizer, exemplified here ，如果这是 scikit api 提供的预期方式。

当然，自己实现无包的几行代码...

*这个问题不是作业，我曾经为非技术观众制作的幻灯片，它说明了这一点。

只是想知道。

Answer 1

Numpy 有一些 Set Routines内置。在这种情况下，正如@Harpal 指出的那样，您可以使用相交和并集操作。

在纯 Python 中使用 intersection和 union :

gold = ['A', 'B', 'C']
clf = ['A', 'D']
gold_s = set(gold)
clf_s = set(clf)
jac_sim = len(gold_s.intersection(clf_s)) / len(gold_s.union(clf_s))
jac_sim
0.25

在 NumPy 中使用 intersect1d和 union1d :

gold = np.array(gold)
clf = np.array(clf)
jac_sim = np.intersect1d(gold, clf).size / np.union1d(gold, clf).size
jac_sim
0.25

诚然，NumPy 实现有点慢，但如果您的数据已经在 NumPy 数组中，它可能比将其转换为集合并在 Python 中进行计算更快。这完全取决于您的数据大小。