使用 pandas 为所有字符串对创建距离矩阵

Question

我有一个列表想要转换成距离矩阵

from pylev3 import Levenshtein
from itertools import combinations

mylist = ['foo', 'bar', 'baz', 'foo', 'foo']

以下从列表中生成所有可能的对，需要计算矩阵

list(combinations(mylist,2))

[('foo', 'bar'),
 ('foo', 'baz'),
 ('foo', 'foo'),
 ('foo', 'foo'),
 ('bar', 'baz'),
 ('bar', 'foo'),
 ('bar', 'foo'),
 ('baz', 'foo'),
 ('baz', 'foo'),
 ('foo', 'foo')]

然后可以通过以下方式计算每对的距离：

def ld(a):
  return [Levenshtein.classic(*b) for b in combinations(a, 2)]


ld(mylist)
[3, 3, 0, 0, 1, 3, 3, 3, 3, 0]

但是，我一直坚持在 pandas 中创建一个类似矩阵的数据框 - 在 pandas 中是否有一个雄辩的解决方案？

       foo    bar   baz  foo   foo
1 foo   0     3     3    0     0
2 bar   3     0     1    3     3
3 baz   3     1     0    3     3
4 foo   0     3     3    0     0
5 foo   0     3     3    0     0

Answer 1

让我们尝试稍微修改一下函数，以便我们消除重复条目的计算：

from itertools import combinations, product

def ld(a):
    u = set(a)
    return {b:Levenshtein.classic(*b) for b in product(u,u)}

dist = ld(mylist)

(pd.Series(list(dist.values()), pd.MultiIndex.from_tuples(dist.keys()))
   .unstack()
   .reindex(mylist)
   .reindex(mylist,axis=1)
)

输出：

     foo  bar  baz  foo  foo
foo    0    3    3    0    0
bar    3    0    1    3    3
baz    3    1    0    3    3
foo    0    3    3    0    0
foo    0    3    3    0    0

Answer 2

为了计算 Levenshtein 距离，我使用了 Levenshtein 模块 （需要pip install python-Levenshtein），与 模糊不清。

import Levenshtein as lv

那么，当我们使用 Numpy 函数时，mylist 必须被转换 到一个 Numpy 数组：

lst = np.array(mylist)

要计算整个结果，请运行：

result = pd.DataFrame(np.vectorize(lv.distance)(lst[:, np.newaxis], lst[np.newaxis, :]),
    index=lst, columns=lst)

详情：

• np.vectorize(lv.distance) 是 lv.distance 的矢量化版本 功能。
• (lst[:, np.newaxis], lst[np.newaxis, :]) 是一个 numpythonic 成语 - lst 数组中的“每个与每个”参数列表，用于连续 上述函数的调用。
• 由于Numpy矢量化，整个计算运行很快， 尤其是在大型阵列上可以看到什么。
• pd.DataFrame(...) 转换上述结果（一个 Numpy 数组） 到具有正确索引和列名的 DataFrame。
• 如果需要，请使用您的原始函数，而不是 lv.distance。

结果是：

     foo  bar  baz  foo  foo
foo    0    3    3    0    0
bar    3    0    1    3    3
baz    3    1    0    3    3
foo    0    3    3    0    0
foo    0    3    3    0    0