如何找到R中的相似性？答案

【问题标题】：How to find the similarity in R?如何找到R中的相似性？
【发布时间】：2020-09-20 05:09:57
【问题描述】：

我有一个如下所示的数据集：

它显示了哪家商店出售了哪本书。

df <- tribble(
 ~shop,  ~book_id,  
  "A",       1,      
  "B",       1,      
  "C",       2,      
  "D",       3,      
  "E",       3,      
  "A",       3,      
  "B",       4,      
  "C",       5,      
  "D",       1,      
)

在数据集中，

店铺A卖1、3
店铺B卖1、4
店铺C卖2、5
店铺D卖3、1
店铺E只卖3个

所以现在，我想在这里计算 Jaccard 指数。例如，我们以 shop A 和 shop B 为例。 A 和 B 出售三本不同的书（书 1、书 3、书 4）。但是，两家商店只出售一种产品（这是产品 1）。所以，这里的Jaccard index应该是33.3% (1/3)。

这是所需数据的示例：

df <- tribble(
  ~shop_1, ~shop_2, ~similarity,  
    "A",    "B",         33.3,  
    "B",    "A",         33.33,
    "A",    "C",          0,
    "C",    "A",          0,
    "A",    "D",         100,
    "D",    "A",         100,
    "A",    "E",          50,
    "E",    "A",          50,

)

非常感谢任何 cmets/协助！提前致谢。

【问题讨论】：

这个问题是关于如何进行比较的数学和/或理论。为此，我建议Cross Validated 或Data Science，但SO 不是问如何做到这一点的地方。如果你对一个你已经知道的函数有问题，那是一回事，但不是这个。
感谢您的评论@r2evans。我想有人可能知道一个 R 包来做这个比较。这就是为什么我想写一个帖子来获得建议。如果你能暂时放下它，我会很高兴。
一些问题 (1) 对于这个问题，ID 和 Type 之间的区别重要吗？例如，如果 A 店卖 1X，B 店卖 1Y，是否应该算作有些相似，而完全匹配（1X 到 1X）会更相似？您的文字说“基于book_id 的商店之间的相似性”，这表明type 与这个问题无关。如果是这种情况，我建议从您的示例数据中删除 type。 (2) 我们需要更多关于“相似性”的细节——你在这个度量中寻找什么。一些值得思考的例子......
我明白，但也请注意 StackOverflow 明确尝试不成为推荐引擎，根据其 off-topic 的列表，包括 “询问我们推荐或查找书籍、工具、软件库、教程”.
(a) 两家书店售出的图书数量如何？这确实是一个数据操作问题。那会做你想要的吗？为什么或者为什么不？ (b) 或者可能是百分比重叠 - 商店 B 销售的商店 A 书籍的百分比是多少？ (c) 是否需要对称？ - 也就是说，每对一个分数？如果 A 店卖 5 本书，B 店卖 50 本书，包括 A 卖的所有书，你想要 A 和 B 之间的相似度一个分数，或者 A,B 得一分，B,A 得不同的分数？

标签： r machine-learning dplyr statistics

【解决方案1】：

我不了解包，但您可以编写自己的函数。我猜你所说的相似度是这样的：

similarity <- function(x, y) {
  k <- length(intersect(x, y))
  n <- length(union(x, y))
  k / n
}

然后你可以使用tidyr::crossing将同一个数据框与自身合并

dfg <- df %>% group_by(shop) %>% summarise(books = list(book_id))
crossing(dfg %>% set_names(paste0, "_A"), dfg %>% set_names(paste0, "_B")) %>% 
  filter(shop_A != shop_B) %>% 
  mutate(similarity = map2_dbl(books_A, books_B, similarity))

【讨论】：