r - 计算列表中字符向量之间的成对Jaccard索引

Question

我有以下格式的字符向量

char1 <- c(“Hello”, “was”, “this”, “is”, “that”, “Boston”, “San”, “Francisco”)
char2 <- c(“John”, “was”, “they”, “is”, “Hello”, “Boston”, “San”, “Diego”)
char3 <- c(“John”, “very”, “happens”, “is”, “Hello”, “has”, “San”, “Diego”)

list <- list(char1, char2, char3)

但是，我有大约 500 个，每个长度为 100,000。

如何计算此列表中所有向量的成对 Jaccard 指数(相似性度量)并将其输出为数据框(NA 用于比较相同的字符向量)？这样做的最有效方法是什么？

谢谢!

Answer 1

您可以尝试以下操作以获取所有成对距离 union和 intersect在 dplyr

dist <- unlist(lapply(combn(list, 2, simplify = FALSE), function(x) {
  length(intersect(x[[1]], x[[2]]))/length(union(x[[1]], x[[2]])) }))

dist
[1] 0.4545455 0.2307692 0.4545455

要查看哪些对与哪些值相关联，您可以添加索引:

cbind(t(combn(3,2)), dist)

              dist
[1,] 1 2 0.4545455
[2,] 1 3 0.2307692
[3,] 2 3 0.4545455