为二进制向量的数据帧计算相似度矩阵的最佳方法是什么？

Question

我有一个大小为 m x n 的二进制向量的数据框，其中包含一些未填充的值，如以下示例

col1 col2 col3 col4 col5
 V0    1         0    1
 V1    1    1         0
 V2    0    1    0    1
 V3         0    0

我想在这个数据帧上计算一个相似度矩阵，这样我就可以得到任意 2 个向量之间的相似度分数。

最好的方法是什么？

注意：我尝试将 NULL 值替换为 2，并在数据帧上应用 scipy 库中的余弦相似度。结果矩阵不准确/不正确。

Answer 1

您可能希望将pdist 或cdist 与骰子、jaccard 或汉明等二进制距离函数一起使用（请参阅the list of these functions at the end of this page）。