可以考虑使用 collections.Counter()
,它们是多重集合或称为袋的数据类型:
from collections import Counter
counterA = Counter(listA)
counterB = Counter(listB)
现在你可以按条目或频率进行比较:
>>> counterA
Counter({'apple': 3, 'orange': 2, 'banana': 1})
>>> counterB
Counter({'apple': 2, 'orange': 1, 'grapefruit': 1})
>>> counterA - counterB
Counter({'orange': 1, 'apple': 1, 'banana': 1})
>>> counterB - counterA
Counter({'grapefruit': 1})
您可以使用以下方法计算它们的余弦相似度:
import math
def counter_cosine_similarity(c1, c2):
terms = set(c1).union(c2)
dotprod = sum(c1.get(k, 0) * c2.get(k, 0) for k in terms)
magA = math.sqrt(sum(c1.get(k, 0)**2 for k in terms))
magB = math.sqrt(sum(c2.get(k, 0)**2 for k in terms))
return dotprod / (magA * magB)
得出的结果是:
>>> counter_cosine_similarity(counterA, counterB)
0.8728715609439696
值越接近1,表示两个列表越相似。
余弦相似度是您可以计算的一个得分。如果您关心列表的长度,可以计算另一个得分;同时也将该得分保持在0.0和1.0之间,然后将两个值相乘,得到最终得分介于-1.0和1.0之间。
例如,为了考虑相对长度,您可以使用以下方法:
def length_similarity(c1, c2):
lenc1 = sum(c1.itervalues())
lenc2 = sum(c2.itervalues())
return min(lenc1, lenc2) / float(max(lenc1, lenc2))
然后将它们组合成一个函数,该函数将列表作为输入:
def similarity_score(l1, l2):
c1, c2 = Counter(l1), Counter(l2)
return length_similarity(c1, c2) * counter_cosine_similarity(c1, c2)
对于您提供的这两个示例列表,结果如下:
>>> similarity_score(['apple', 'orange', 'apple', 'apple', 'banana', 'orange'], ['apple', 'orange', 'grapefruit', 'apple'])
0.5819143739626463
>>> similarity_score(['apple', 'apple', 'orange', 'orange'], ['apple', 'orange'])
0.4999999999999999
您可以根据需要混合使用其他指标。
['apple','orange']
? - Konsol Labapen