各種相似度計算的python實現

各種相似度計算的python實現

 

前言

在數據挖掘中有很多地方要計算相似度，比如聚類分析和協同過濾。計算相似度的有許多方法，其中有歐幾里德距離、曼哈頓距離、Jaccard系數和皮爾遜相關度等等。我們這里把一些常用的相似度計算方法，用python進行實現以下。如果是初學者，我認為把公式先寫下來，然后再寫代碼去實現比較好。 

歐幾里德距離

幾個數據集之間的相似度一般是基於每對對象間的距離計算。最常用的當然是歐幾里德距離，其公式為:

#-*-coding:utf-8 -*-

#計算歐幾里德距離：
def euclidean(p,q):
#如果兩數據集數目不同，計算兩者之間都對應有的數
same = 0
for i in p:
    if i in q:
        same +=1

#計算歐幾里德距離,並將其標准化
e = sum([(p[i] - q[i])**2 for i in range(same)])
return 1/(1+e**.5)

 

我們用數據集可以去算一下： 

p = [1,3,2,3,4,3]
q = [1,3,4,3,2,3,4,3]
print euclidean(p,q)

 

得出結果是：0.261203874964

皮爾遜相關度

幾個數據集中出現異常值的時候，歐幾里德距離就不如皮爾遜相關度‘穩定’，它會在出現偏差時傾向於給出更好的結果。其公式為：

 

-*-coding:utf-8 -*-

#計算皮爾遜相關度：
def pearson(p,q):
#只計算兩者共同有的
    same = 0
    for i in p:
        if i in q:
            same +=1

    n = same
    #分別求p，q的和
    sumx = sum([p[i] for i in range(n)])
    sumy = sum([q[i] for i in range(n)])
    #分別求出p，q的平方和
    sumxsq = sum([p[i]**2 for i in range(n)])
    sumysq = sum([q[i]**2 for i in range(n)])
    #求出p，q的乘積和
    sumxy = sum([p[i]*q[i] for i in range(n)])
    # print sumxy
    #求出pearson相關系數
    up = sumxy - sumx*sumy/n
    down = ((sumxsq - pow(sumxsq,2)/n)*(sumysq - pow(sumysq,2)/n))**.5
    #若down為零則不能計算，return 0
    if down == 0 :return 0
    r = up/down
    return r

用同樣的數據集去計算：

p = [1,3,2,3,4,3]
q = [1,3,4,3,2,3,4,3]
print pearson(p,q)

得出結果是：0.00595238095238

曼哈頓距離

曼哈頓距離是另一種相似度計算方法，不是經常需要，但是我們仍然學會如何用python去實現，其公式為：

#-*-coding:utf-8 -*-

#計算曼哈頓距離：
def manhattan(p,q):
#只計算兩者共同有的
    same = 0
    for i in p:
        if i in q:
        same += 1
#計算曼哈頓距離
    n = same
    vals = range(n)
    distance = sum(abs(p[i] - q[i]) for i in vals)
    return distance

用以上的數據集去計算：

p = [1,3,2,3,4,3]
q = [1,3,4,3,2,3,4,3]
print manhattan(p,q)

得出結果為4

Jaccard系數

當數據集為二元變量時，我們只有兩種狀態：0或者1。這個時候以上的計算相似度的方法就無法派上用場，於是我們引出Jaccard系數，這是一個能夠表示兩個數據集都是二元變量（也可以多元）的相似度的指標，其公式為：

#-*-coding:utf-8 -*-

# 計算jaccard系數
def jaccard(p,q):
    c = [a for i in p if v in b]
    return float(len(c))/(len(a)+len(b)-len(b))
#注意：在使用之前必須對兩個數據集進行去重

我們用一些特殊的數據集去測試一下：

p = ['shirt','shoes','pants','socks']
q = ['shirt','shoes']
print jaccard(p,q)

得出結果是:0.5

Tanimoto系數

Tanimoto系數是一種度量兩個集合之間相似程度的方法（與Jaccard 系數相似，但不是完全相同）。其主要用於二元變量或者多元變量之間的數據集之間的相似度計算，其公式為：

#-*-coding:utf-8-*-
def tanimoto(p,q):
    c = [v for v in p if v in q]
    return float(len(c) / (len(a) + len(b) - len(c)))

當比較的數據集的數據集合中的元素都是相異的時候，Jaccard系數與Tanimoto系數相同。

 

參考：《集體智慧編程》

　　　《數據挖掘：概念與技術》