Python で jaccard の類似性を計算する方法

Jaccard 類似性インデックスは、 2 つのデータセット間の類似性を測定します。範囲は 0 から 1 です。数値が大きいほど、2 つのデータ セットは類似しています。

Jaccard 類似性インデックスは次のように計算されます。

Jaccard 類似度= (両方のセットの観測値の数) / (いずれかのセットの数)

または、表記形式で書くと次のようになります。

J(A, B) = |A∩B| / |A∪B|

このチュートリアルでは、Python で 2 つのデータセットの Jaccard 類似性を計算する方法について説明します。

例: Python における Jaccard の類似性

次の 2 つのデータ セットがあるとします。

 import numpy as np

a = [0, 1, 2, 5, 6, 8, 9]
b = [0, 2, 3, 4, 5, 7, 9]

2 つのセット間の Jaccard 類似性を計算する次の関数を定義できます。

 #define Jaccard Similarity function
def jaccard(list1, list2):
    intersection = len(list(set(list1).intersection(list2)))
    union = (len(list1) + len(list2)) - intersection
    return float(intersection) / union

#find Jaccard Similarity between the two sets 
jaccard(a, b)

0.4

2 つのリスト間の Jaccard 類似度は0.4です。

2 つのセットが値を共有しない場合、関数は0を返すことに注意してください。

 c = [0, 1, 2, 3, 4, 5]
d = [6, 7, 8, 9, 10]

jaccard(c, d)

0.0

2 つのセットが同一の場合、関数は1を返します。

 e = [0, 1, 2, 3, 4, 5]
f = [0, 1, 2, 3, 4, 5]

jaccard(e, f)

1.0

この関数は、文字列を含むセットに対しても機能します。

 g = ['cat', 'dog', 'hippo', 'monkey']
h = ['monkey', 'rhino', 'ostrich', 'salmon']

jaccard(g, h)

0.142857

この関数を使用して、2 つのセット間のJaccard 距離を見つけることもできます。これは 2 つのセット間の相違度であり、1 – Jaccard 類似度として計算されます。

 a = [0, 1, 2, 5, 6, 8, 9]
b = [0, 2, 3, 4, 5, 7, 9]

#find Jaccard distance between sets a and b
1 - jaccard(a, b)

0.6

関連: R で Jaccard 類似度を計算する方法

Jaccard 類似性インデックスの詳細については、この Wikipedia ページを参照してください。