Como calcular a similaridade de jaccard em python

O índice de similaridade de Jaccard mede a similaridade entre dois conjuntos de dados. Pode variar de 0 a 1. Quanto maior o número, mais semelhantes são os dois conjuntos de dados.

O índice de similaridade de Jaccard é calculado da seguinte forma:

Similaridade de Jaccard = (número de observações em ambos os conjuntos) / (número em qualquer conjunto)

Ou, escrito em forma de notação:

J(A,B) = |A∩B| / |A∪B|

Este tutorial explica como calcular a similaridade de Jaccard para dois conjuntos de dados em Python.

Exemplo: semelhança de Jaccard em Python

Suponha que tenhamos os seguintes dois conjuntos de dados:

 import numpy as np

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

Podemos definir a seguinte função para calcular a similaridade de Jaccard entre os dois conjuntos:

 #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

A semelhança de Jaccard entre as duas listas é de 0,4 .

Observe que a função retornará 0 se os dois conjuntos não compartilharem valores:

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

jaccard(c, d)

0.0

E a função retornará 1 se os dois conjuntos forem idênticos:

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

jaccard(e, f)

1.0

A função também funciona para conjuntos contendo strings:

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

jaccard(g, h)

0.142857

Você também pode usar esta função para encontrar a distância Jaccard entre dois conjuntos, que é a dissimilaridade entre dois conjuntos e é calculada como 1 – Similaridade Jaccard.

 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

Relacionado: Como calcular a similaridade de Jaccard em R

Consulte esta página da Wikipedia para saber mais sobre o Índice de Similaridade Jaccard.