python 拼音相似度_各种相似度计算的python实现

各种相似度计算的python实现

前言

在数据挖掘中有很多地方要计算相似度，比如聚类分析和协同过滤。计算相似度的有许多方法，其中有欧几里德距离、曼哈顿距离、Jaccard系数和皮尔逊相关度等等。我们这里把一些常用的相似度计算方法，用python进行实现以下。如果是初学者，我认为把公式先写下来，然后再写代码去实现比较好。

欧几里德距离

几个数据集之间的相似度一般是基于每对对象间的距离计算。最常用的当然是欧几里德距离，其公式为:

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

#计算欧几里德距离：

defeuclidean(p,q):#如果两数据集数目不同，计算两者之间都对应有的数

same =0for i inp:if i inq:

same+=1

#计算欧几里德距离,并将其标准化

e = sum([(p[i] - q[i])**2 for i inrange(same)])return 1/(1+e**.5)

我们用数据集可以去算一下：

p = [1,3,2,3,4,3]

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

得出结果是：0.261203874964

皮尔逊相关度

几个数据集中出现异常值的时候，欧几里德距离就不如皮尔逊相关度‘稳定’，它会在出现偏差时倾向于给出更好的结果。其公式为：

-*-coding:utf-8 -*-

#计算皮尔逊相关度：

defpearson(p,q):#只计算两者共同有的

same =0for i inp:if i inq:

same+=1n=same#分别求p，q的和

sumx = sum([p[i] for i inrange(n)])

sumy= sum([q[i] for i inrange(n)])#分别求出p，q的平方和

sumxsq = sum([p[i]**2 for i inrange(n)])

sumysq= sum([q[i]**2 for i inrange(n)])#求出p，q的乘积和

sumxy = sum([p[i]*q[i] for i inrange(n)])#print sumxy

#求出pearson相关系数

up = sumxy - sumx*sumy/n

down= ((sumxsq - pow(sumxsq,2)/n)*(sumysq - pow(sumysq,2)/n))**.5

#若down为零则不能计算，return 0

if down == 0 :return0

r= up/downreturn r

用同样的数据集去计算：

p = [1,3,2,3,4,3]

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

得出结果是：0.00595238095238

曼哈顿距离

曼哈顿距离是另一种相似度计算方法，不是经常需要，但是我们仍然学会如何用python去实现，其公式为：

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

#计算曼哈顿距离：

defmanhattan(p,q):#只计算两者共同有的

same =0for i inp:if i inq:

same+= 1

#计算曼哈顿距离

n =same

vals=range(n)

distance= sum(abs(p[i] - q[i]) for i invals)return distance

用以上的数据集去计算：

p = [1,3,2,3,4,3]

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

得出结果为4

Jaccard系数

当数据集为二元变量时，我们只有两种状态：0或者1。这个时候以上的计算相似度的方法就无法派上用场，于是我们引出Jaccard系数，这是一个能够表示两个数据集都是二元变量（也可以多元）的相似度的指标，其公式为：

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

#计算jaccard系数

defjaccard(p,q):

c= [a for i in p if v inb]return float(len(c))/(len(a)+len(b)-len(b))#注意：在使用之前必须对两个数据集进行去重

我们用一些特殊的数据集去测试一下：

p = ['shirt','shoes','pants','socks']

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

得出结果是:0.5

Tanimoto系数

Tanimoto系数是一种度量两个集合之间相似程度的方法（与Jaccard 系数相似，但不是完全相同）。其主要用于二元变量或者多元变量之间的数据集之间的相似度计算，其公式为：

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

deftanimoto(p,q):

c= [v for v in p if v inq]return float(len(c) / (len(a) + len(b) - len(c)))

当比较的数据集的数据集合中的元素都是相异的时候，Jaccard系数与Tanimoto系数相同。

参考：《集体智慧编程》

《数据挖掘：概念与技术》