collections.Counter()
おそらく使用します。これらは、データ型の用語で言えば、マルチセットまたはバッグです。
from collections import Counter
counterA = Counter(listA)
counterB = Counter(listB)
これで、エントリまたは頻度でこれらを比較できます。
>>> counterA
Counter({'apple': 3, 'orange': 2, 'banana': 1})
>>> counterB
Counter({'apple': 2, 'orange': 1, 'grapefruit': 1})
>>> counterA - counterB
Counter({'orange': 1, 'apple': 1, 'banana': 1})
>>> counterB - counterA
Counter({'grapefruit': 1})
次を使用してコサイン類似度を計算できます。
import math
def counter_cosine_similarity(c1, c2):
terms = set(c1).union(c2)
dotprod = sum(c1.get(k, 0) * c2.get(k, 0) for k in terms)
magA = math.sqrt(sum(c1.get(k, 0)**2 for k in terms))
magB = math.sqrt(sum(c2.get(k, 0)**2 for k in terms))
return dotprod / (magA * magB)
これにより、次のことが得られます。
>>> counter_cosine_similarity(counterA, counterB)
0.8728715609439696
その値が 1 に近いほど、2 つのリストは類似しています。
コサイン類似度は、計算できるスコアの1 つです。リストの長さが気になる場合は、別のものを計算できます。そのスコアを 0.0 から 1.0 の間に保持する場合、2 つの値を乗算して最終スコアを -1.0 から 1.0 にすることができます。
たとえば、相対的な長さを考慮するには、次を使用できます。
def length_similarity(c1, c2):
lenc1 = sum(c1.itervalues())
lenc2 = sum(c2.itervalues())
return min(lenc1, lenc2) / float(max(lenc1, lenc2))
次に、リストを入力として受け取る関数に結合します。
def similarity_score(l1, l2):
c1, c2 = Counter(l1), Counter(l2)
return length_similarity(c1, c2) * counter_cosine_similarity(c1, c2)
2 つのリストの例では、次のようになります。
>>> similarity_score(['apple', 'orange', 'apple', 'apple', 'banana', 'orange'], ['apple', 'orange', 'grapefruit', 'apple'])
0.5819143739626463
>>> similarity_score(['apple', 'apple', 'orange', 'orange'], ['apple', 'orange'])
0.4999999999999999
必要に応じて他のメトリックを混在させることができます。