python文本数据相似度的度量_Python

python文本数据相似度的度量

2021-01-21 00:02大邓 Python

这篇文章主要为大家详细介绍了python文本数据相似度的度量，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

编辑距离

编辑距离，又称为Levenshtein距离，是用于计算一个字符串转换为另一个字符串时，插入、删除和替换的次数。例如，将'dad'转换为'bad'需要一次替换操作，编辑距离为1。

nltk.metrics.distance.edit_distance函数实现了编辑距离。

									from nltk.metrics.distance import edit_distance

									str1 = 'bad'

									str2 = 'dad'

									print(edit_distance(str1, str2))

N元语法相似度

n元语法只是简单地表示文本中n个标记的所有可能的连续序列。n元语法具体是这样的

									import nltk

									#这里展示2元语法

									text1 = 'Chief Executive Officer'

									#bigram考虑匹配开头和结束，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元语法相似度计算

									import nltk

									#这里展示2元语法

									def bigram_distance(text1, text2):

									  #bigram考虑匹配开头和结束，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)

									  #交集的长度

									  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)) #相似度为3

jaccard相似性

jaccard距离度量的两个集合的相似度，它是由（集合1交集合2）/（结合1交结合2）计算而来的。

实现方式

									from nltk.metrics.distance import jaccard_distance

									#这里我们以单个的字符代表文本

									set1 = set(['a','b','c','d','a'])

									set2 = set(['a','b','e','g','a'])

									print(jaccard_distance(set1, set2))

0.6666666666666666

masi距离

masi距离度量是jaccard相似度的加权版本，当集合之间存在部分重叠时，通过调整得分来生成小于jaccard距离值。

									from nltk.metrics.distance import jaccard_distance,masi_distance

									#这里我们以单个的字符代表文本

									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实现方法，比如有一个词语空间

									word_space = [w1,w2,w3,w4]

									text1 = 'w1 w2 w1 w4 w1'

									text2 = 'w1 w3 w2'

									#按照word_space位置，计算每个位置词语出现的次数

									text1_vector = [3,1,0,1]

									text2_vector = [1,1,1,0]

[3,1,0,1]意思是指w1出现了3次，w2出现了1次，w3出现0次，w4出现1次。

好了下面看代码，计算text1与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内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。

原文链接：http://mp.weixin.qq.com/s?__biz=MzI1MTE2ODg4MA==&mid=2650068988&idx=1&sn=3e01d5449ed21f772e68b4d449c334f7&chksm=f1f766e3c680eff5efa0ba2fdc9ceac14dcd2d53ee75814052cfd1c830fd2bffa1b0d0ab92ae&mpshare=1&scene=23&srcid=0312uMoRA5z9iXG8iRzeDwg9#rd