Question

正如标题所说，我试图在某些条件下在数据帧的每对列上应用函数。我将尝试说明这一点。我的df格式如下：

Code |  14  |  17  |  19  | ...
w1   |  0   |   5  |   3  | ...
w2   |  2   |   5  |   4  | ... 
w3   |  0   |   0  |   5  | ...

代码对应于矩形网格中的确定位置，并且ws是不同的单词。我想在每对列之间应用余弦相似性度量（EDITED！） 如果该对中一列中的项目总和大于5 。

所需的输出类似于：

     | [14,17]  |  [14,19]  |  [14,...]  |  [17,19]  | ...
Sim  |cs(14,17) |cs(14,19)  |cs(14,...)  |cs(17,19)..| ...

cs是每对列的余弦相似性的结果。有没有合适的方法来做到这一点？

任何帮助将不胜感激： - ）

Answer 1

要将余弦指标应用于两个输入集合中的每对，您可以使用scipy.spatial.distance.cdist。这将比快得多使用双Python循环。

让一个集合成为df的所有列。让其他集合只是总和大于5的那些列：

import pandas as pd
df = pd.DataFrame({'14':[0,2,0], '17':[5,5,0], '19':[3,4,5]})
mask = df.sum(axis=0) > 5
df2 = df.loc[:, mask]

然后可以通过调用cdist来计算所有余弦相似度：

import scipy.spatial.distance as SSD
values = SSD.cdist(df2.T, df.T, metric='cosine')
# array([[  2.92893219e-01,   1.11022302e-16,   3.00000000e-01],
#        [  4.34314575e-01,   3.00000000e-01,   1.11022302e-16]])

值可以包装在新的DataFrame中并重新整形：

result = pd.DataFrame(values, columns=df.columns, index=df2.columns)
result = result.stack()

import pandas as pd
import scipy.spatial.distance as SSD
df = pd.DataFrame({'14':[0,2,0], '17':[5,5,0], '19':[3,4,5]})
mask = df.sum(axis=0) > 5
df2 = df.loc[:, mask]
values = SSD.cdist(df2.T, df.T, metric='cosine')
result = pd.DataFrame(values, columns=df.columns, index=df2.columns)
result = result.stack()
mask = result.index.get_level_values(0) != result.index.get_level_values(1)
result = result.loc[mask]
print(result)

产生系列

17  14    0.292893
    19    0.300000
19  14    0.434315
    17    0.300000

Pandas：在约束下对每对列应用函数

1 个答案: