使用 pandas 为所有字符串对创建距离矩阵

Question

我有一个列表，我想将其转换为距离矩阵

from pylev3 import Levenshtein

from itertools import combinations

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

以下从列表中生成计算矩阵所需的所有可能的对

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]

然而，我坚持在 pandas 中创建一个类似矩阵的数据框 - pandas 中有一个雄辩的解决方案吗？

       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，以便消除重复条目的计算：from itertools import combinations, productdef 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  foofoo    0    3    3    0    0bar    3    0    1    3    3baz    3    1    0    3    3foo    0    3    3    0    0foo    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fuzzywuzzy配对使用 。import Levenshtein as lv然后，当我们使用Numpy函数时，mylist必须转换为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)细节：np.vectorize(lv.distance)是lv.distance函数的矢量化版本 。(lst[:, np.newaxis], lst[np.newaxis, :])是一个numpythonic习惯用法 - 来自lst数组的“each with every”参数列表，用于连续调用上述函数。由于Numpy向量化，整个计算运行得很快，尤其是在大数组上。pd.DataFrame(...)将上述结果（Numpy数组）转换为具有正确索引和列名称的 DataFrame。如果需要，请使用原始函数而不是lv.distance。结果是：     foo  bar  baz  foo  foofoo    0    3    3    0    0bar    3    0    1    3    3baz    3    1    0    3    3foo    0    3    3    0    0foo    0    3    3    0    0