python文本數(shù)據(jù)相似度的度量
編輯距離
編輯距離,又稱為Levenshtein距離,是用于計算一個字符串轉(zhuǎn)換為另一個字符串時,插入、刪除和替換的次數(shù)。例如,將'dad'轉(zhuǎn)換為'bad'需要一次替換操作,編輯距離為1。
nltk.metrics.distance.edit_distance函數(shù)實現(xiàn)了編輯距離。
from nltk.metrics.distance import edit_distance str1 = 'bad' str2 = 'dad' print(edit_distance(str1, str2))
N元語法相似度
n元語法只是簡單地表示文本中n個標記的所有可能的連續(xù)序列。n元語法具體是這樣的
import nltk
#這里展示2元語法
text1 = 'Chief Executive Officer'
#bigram考慮匹配開頭和結(jié)束,所有使用pad_right和pad_left
ceo_bigrams = nltk.bigrams(text1.split(),pad_right=True,pad_left=True)
print(list(ceo_bigrams))
[(None, 'Chief'), ('Chief', 'Executive'),
('Executive', 'Officer'), ('Officer', None)]
2元語法相似度計算
import nltk #這里展示2元語法 def bigram_distance(text1, text2): #bigram考慮匹配開頭和結(jié)束,所以使用pad_right和pad_left text1_bigrams = nltk.bigrams(text1.split(),pad_right=True,pad_left=True) text2_bigrams = nltk.bigrams(text2.split(), pad_right=True, pad_left=True) #交集的長度 distance = len(set(text1_bigrams).intersection(set(text2_bigrams))) return distance text1 = 'Chief Executive Officer is manager' text2 = 'Chief Technology Officer is technology manager' print(bigram_distance(text1, text2)) #相似度為3
jaccard相似性
jaccard距離度量的兩個集合的相似度,它是由 (集合1交集合2)/(結(jié)合1交結(jié)合2)計算而來的。
實現(xiàn)方式
from nltk.metrics.distance import jaccard_distance #這里我們以單個的字符代表文本 set1 = set(['a','b','c','d','a']) set2 = set(['a','b','e','g','a']) print(jaccard_distance(set1, set2))
0.6666666666666666
masi距離
masi距離度量是jaccard相似度的加權(quán)版本,當(dāng)集合之間存在部分重疊時,通過調(diào)整得分來生成小于jaccard距離值。
from nltk.metrics.distance import jaccard_distance,masi_distance #這里我們以單個的字符代表文本 set1 = set(['a','b','c','d','a']) set2 = set(['a','b','e','g','a']) print(jaccard_distance(set1, set2)) print(masi_distance(set1, set2))
0.6666666666666666
0.22000000000000003
余弦相似度
nltk提供了余弦相似性的實現(xiàn)方法,比如有一個詞語空間
word_space = [w1,w2,w3,w4] text1 = 'w1 w2 w1 w4 w1' text2 = 'w1 w3 w2' #按照word_space位置,計算每個位置詞語出現(xiàn)的次數(shù) text1_vector = [3,1,0,1] text2_vector = [1,1,1,0]
[3,1,0,1]意思是指w1出現(xiàn)了3次,w2出現(xiàn)了1次,w3出現(xiàn)0次,w4出現(xiàn)1次。
好了下面看代碼,計算text1與text2的余弦相似性
from nltk.cluster.util import cosine_distance text1_vector = [3,1,0,1] text2_vector = [1,1,1,0] print(cosine_distance(text1_vector,text2_vector))
0.303689376177
以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
Python中的defaultdict與__missing__()使用介紹
下面這篇文章主要給大家介紹了關(guān)于Python中defaultdict使用的相關(guān)資料,文中通過示例代碼介紹的非常詳細,對大家學(xué)習(xí)或者使用python具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧。2018-02-02
np.concatenate()函數(shù)數(shù)組序列參數(shù)的實現(xiàn)
本文主要介紹了np.concatenate()函數(shù)數(shù)組序列參數(shù)的實現(xiàn),文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-03-03
解決python2 繪圖title,xlabel,ylabel出現(xiàn)中文亂碼的問題
今天小編就為大家分享一篇解決python2 繪圖title,xlabel,ylabel出現(xiàn)中文亂碼的問題,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-01-01

