偷懒好久，再刷leetcode——稀疏相似度

    上次坚持刷leetcode，还是两年前leetcode刚出中文版前后，贡献了部分题目的翻译。偷懒好久了，再次打开，发现题目多了好多，随便刷一道：

    一、题目

    两个(具有不同单词的)文档的交集(intersection)中元素的个数除以并集(union)中元素的个数，就是这两个文档的相似度。例如，{1, 5, 3} 和 {1, 7, 2, 3} 的相似度是 0.4，其中，交集的元素有 2 个，并集的元素有 5 个。给定一系列的长篇文档，每个文档元素各不相同，并与一个 ID 相关联。它们的相似度非常“稀疏”，也就是说任选 2 个文档，相似度都很接近 0。请设计一个算法返回每对文档的 ID 及其相似度。只需输出相似度大于 0 的组合。请忽略空文档。为简单起见，可以假定每个文档由一个含有不同整数的数组表示。

    输入为一个二维数组 docs，docs[i] 表示 id 为 i 的文档。返回一个数组，其中每个元素是一个字符串，代表每对相似度大于 0 的文档，其格式为 {id1},{id2}: {similarity}，其中 id1 为两个文档中较小的 id，similarity 为相似度，精确到小数点后 4 位。以任意顺序返回数组均可。

来源：力扣（LeetCode）
链接：https://leetcode-cn.com/problems/sparse-similarity-lcci
著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。

    二、题目分析

    NLP的最基本算法，虽然简化很多，但非常重要。

    看到稀疏，脑海里首先闪出了字典，毕竟查找、修改操作时间复杂度O(1)，还能节省内存，依次遍历docs中的每个doc，以内容为键值，以字符串连接方式添加对应文档序号（这个估计是运算速度慢的原因，不过实在懒得在这个地方优化了）。将获得文档集存在的每个字符，以及对应的文档。每个字典值中的文档序号全组合，获得文档对字符，统计字符对数量，即为交集元素数，两个文档长度之和减交集元素数即为并集元素数。

    三、代码实现

import numpy as np
class Solution:
    def computeSimilarities(self, docs: List[List[int]]) -> List[str]:
        def helper(i, v):
            char_dict[v] = '{},{}'.format(char_dict.get(v, ''), i)
            return 1
        
        def helper2(v):
            def helper(k):
                similar_dict[k] = similar_dict.get(k, 0) + 1
                return 1
            [helper(k) for k in ['{},{}'.format(*sorted([int(i) for i in x])) for x in combinations(v[1: ].split(','), 2)]]
            return 1
        
        def helper3(k, v):
            inter_counts = similar_dict.get(k)
            union_counts = sum([len(docs[int(index)]) for index in k.split(',')]) - inter_counts
            sim_rate = inter_counts / union_counts
            return '{}: {:.4f}'.format(k, sim_rate + 1e-9)
            
        char_dict = {}
        similar_dict = {}
        [helper(i, c) for i, l in enumerate(docs) for c in l] 
        [helper2(v) for v in char_dict.values()]
        res = [helper3(k, v) for k, v in similar_dict.items()]
        return res

    四、出现问题

    提交代码后，报解答错误，分析结果：

                my              p
120  74,90: 0.0312  74,90: 0.0313

    132多组结果，一行预期结果与输出不一致，仔细观察，该死的浮点数，遇5进位出现的问题，尝试了np库的round方法，无效，结果还是这样。再次尝试在计算出的相似度结果+1e-9，通过。结果如下：