Question

我希望你能帮我解决一个让我心烦意乱的问题。

我有一个包含三列的data.frame：appl，cod，ipc。此数据集具有多个具有相同appl的行，每行对应于一个cod，其与一个ipc相关联。后者可以是一个或多个值的列表。 appl和cod是整数值。一个例子

row    appl   cod         ipc

11  |  1206 | 3857183   | 16
12  |  1220 | 1063002   | 29
13  |  1299 | 46437     | c("26", "31", "33")
14  |  1317 | 685895    | c("10", "13", "14", "16")
15  |  1317 | 790606    | c("10", "13", "14", "16")

我需要一个数字告诉我，对于appl的每个值，ipc中列表的组成有多相似。我发现Jaccard指数是一个合适的数学指标，但仅适用于几组。我想为每个ipc值计算每个唯一appl对的Jaccard索引，然后计算平均值。

我在两组之间找到了Jaccard索引计算的set_similarity函数。

但是，我不知道如何实际实施这一策略 - 或其他任何策略。

如何正确实现

之类的内容

for (each `appl`) 
{ put all `ipc` in a list, 
 take all possible unique combinations, 
 apply `set_similarity` on them,
 take the average }

我多次检查过已经回答过有关该主题的问题，但我无法成功应用它们。

由于

Answer 1

对于一个简单的jaccard使用计数（两个ipc集的交集=公共元素）并将其除以count（两个集合的联合=两个ipc集的所有元素）

这给出了局部解决方案，这意味着测量两个给定集合之间的相似性。但是如果你想计算一个全局解决方案，你可以将每个苹果与全球空间中的另一个苹果进行比较，那么你应该首先为每个主题收集所有可能的ipc代码（例如苹果），然后将其用作上述jaccard的分母计算

通过将每个ipc视为直方图然后通过不同函数之一（地球移动距离或Jensen-Shannon熵距离等）计算直方图距离，可以解决每个项目上具有频率的更复杂场景

为此，假设两个ipc集合都是类似项目的集合，其中任何一个集合上的每个非现有项目的频率为0

R中data.frame行的jaccard（或任何相似性）索引

1 个答案: