Python:使用单词交集而不是字符交集的Jaccard距离

Question

我没有意识到Python set函数实际上将字符串分割成单独的字符。我为Jaccard编写了python函数，并使用了python相交方法。我向这个方法传递了两个集合，在将这两个集合传递给我的jaccard函数之前，我在setring上使用set函数。

例如:假设我有string NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg，我会调用set(NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg)，它会把string分成几个字符。所以当我把它发送到jaccard函数交集时，实际上是看字符交集，而不是单词对单词的交集。我如何做单词对单词的交集。

#implementing jaccard
def jaccard(a, b):
    c = a.intersection(b)
    return float(len(c)) / (len(a) + len(b) - len(c))

如果我没有在我的字符串NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg上调用set函数，我会得到以下错误：

    c = a.intersection(b)
AttributeError: 'str' object has no attribute 'intersection'

我想做单词对单词的交集，并得到jaccard相似度，而不是字符到字符的交集。

Answer 1

请先尝试将字符串拆分为单词：

word_set = set(your_string.split())

示例：

>>> word_set = set("NEW Fujifilm 16MP 5x".split())
>>> character_set = set("NEW Fujifilm 16MP 5x")
>>> word_set
set(['NEW', '16MP', '5x', 'Fujifilm'])
>>> character_set
set([' ', 'f', 'E', 'F', 'i', 'M', 'j', 'm', 'l', 'N', '1', 'P', 'u', 'x', 'W', '6', '5'])

Answer 2

我的计算Jaccard距离的函数：

def DistJaccard(str1, str2):
    str1 = set(str1.split())
    str2 = set(str2.split())
    return float(len(str1 & str2)) / len(str1 | str2)

>>> DistJaccard("hola amigo", "chao amigo")
0.333333333333

Answer 3

此属性不是集合所特有的：

>>> list('NEW Fujifilm')
['N', 'E', 'W', ' ', 'F', 'u', 'j', 'i', 'f', 'i', 'l', 'm']

这里发生的事情是，字符串被视为可迭代序列，并被逐个字符地处理。

与set的情况相同：

>>> set('string')
set(['g', 'i', 'n', 's', 'r', 't'])

要修复此问题，请在现有的set上使用.add()，因为.add()不使用interable：

>>> se=set()
>>> se.add('NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg')
>>> se
set(['NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg'])

或者，使用split()、元组、列表或其他可迭代对象，这样字符串就不会被视为可迭代对象：

>>> set('something'.split())
set(['something'])
>>> set(('something',))
set(['something'])
>>> set(['something'])
set(['something'])

根据您的字符串逐字添加更多元素：

>>> se=set(('Something',)) | set('NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg'.split())   

或者，如果您在添加到集合时需要理解某些逻辑：

>>> se={w for w in 'NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg'.split() 
         if len(w)>3}
>>> se
set(['Shoot', 'CAMERA', 'Point', 'screen.jpg', 'Zoom', 'Fujifilm', '16MP', 'Optical'])

它的工作方式就是你现在所期望的：

>>> 'Zoom' in se
True
>>> s1=set('NEW Fujifilm 16MP 5x Optical Zoom Point and Shoot CAMERA 2 7 screen.jpg'.split())
>>> s2=set('Fujifilm Optical Zoom CAMERA NONE'.split())
>>> s1.intersection(s2)
set(['Optical', 'CAMERA', 'Zoom', 'Fujifilm'])