Python：使用单词交集但不使用字符交集的 Jaccard 距离答案

【问题标题】：Python: Jaccard Distance using word intersection but not character intersectionPython：使用单词交集但不使用字符交集的 Jaccard 距离
【发布时间】：2012-08-11 01:56:51
【问题描述】：

我没有意识到 Python 的 set 函数实际上将字符串分隔为单个字符。我为 Jaccard 编写了 python 函数并使用了 python 交集方法。我将两个集合传递给这个方法，在将这两个集合传递给我的 jaccard 函数之前，我在 setring 上使用了 set 函数。

示例：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)，它将字符串分成字符。因此，当我将它发送到 jaccard 函数交集时，实际上是看字符交集而不是单词到单词的交集。我怎样才能做到字对字交集。

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

如果我不对我的字符串 NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg 调用 set 函数，我会收到以下错误：

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

而不是字符到字符的交集，我想做单词到单词的交集并获得 jaccard 相似度。

【问题讨论】：

标签： python set intersection

【解决方案1】：

先尝试将字符串拆分为单词：

word_set = set(your_string.split())

例子：

>>> 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'])

【讨论】：

实际上，当我在寻找完全匹配的交叉路口使用 add 函数时，这正是我正在寻找的东西。

【解决方案2】：

我的计算 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

【讨论】：

【解决方案3】：

这个属性不是集合所独有的：

>>> 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个字符处理。

您在 set 中看到的相同：

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

要修复，请在现有集合上使用 .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、列表或一些替代的可迭代对象，这样字符串就不会被视为可迭代对象：

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

根据您的字符串逐字添加更多元素：

>>> 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'])

它现在按照你的预期工作：

>>> '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'])

【讨论】：

从“单词到单词的交集”，我认为 OP 确实在 set(a.split()).intersection(b.split()) 之后（模数大小写和标点符号细节。）

【解决方案4】：

这是我根据set函数写的-

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

【讨论】：