python – 用于pandas DataFrame中文本的Jaccard相似度

我想测量pandas DataFrame中文本之间的jaccard相似度.
更确切地说,我有一些实体组,并且在一段时间内每个实体都有一些文本.我想分析每个实体的文本相似度(这里是Jaccard相似度)随时间的变化.

一个简单的例子来说明我的观点：

import pandas as pd

entries = [
    {'Entity_Id':'Firm1', 'date':'2001-02-05', 'text': 'This is a text'},
    {'Entity_Id':'Firm1', 'date':'2001-03-07', 'text': 'This is a text'},
    {'Entity_Id':'Firm1', 'date':'2003-01-04', 'text': 'No similarity'},
    {'Entity_Id':'Firm1', 'date':'2007-10-12', 'text': 'Some similarity'},
    {'Entity_Id':'Firm2', 'date':'2001-10-10', 'text': 'Another firm'},
    {'Entity_Id':'Firm2', 'date':'2005-12-03', 'text': 'Another year'},
    {'Entity_Id':'Firm3', 'date':'2002-05-05', 'text': 'Something different'}
    ]

df = pd.DataFrame(entries)

Entity_Id日期文本

Firm1   2001-02-05   'This is a text' 
Firm1   2001-03-07   'This is a text'
Firm1   2003-01-04   'No similarity'
Firm1   2007-10-12   'Some similarity'
Firm2   2001-10-10   'Another firm'
Firm2   2005-12-03   'Another year'
Firm3   2002-05-05   'Something different'

我想要的输出将是这样的：

Entity_Id日期文本Jaccard

Firm1   2001-02-05   'This is a text'       NaN
Firm1   2001-03-07   'This is a text'       1
Firm1   2003-01-04   'No similarity'        0
Firm1   2007-10-12   'Some similarity'      0.33
Firm2   2001-10-10   'Another firm'         NaN 
Firm2   2005-12-03   'Another year'         0.33  
Firm3   2002-05-05   'Something different'  NaN

也就是说,我喜欢比较一组公司中的所有文本元素,而不管文本之间的时间间隔.我想将它与以前的文本进行比较.因此,每个公司的第一个条目总是空的,因为没有可比较的文本.

我的方法是按实体标识符将文本移动一个时间间隔(下一个可用日期).然后识别每个实体的第一份报告并标记该报告. (我在text_shifted中输入了NaN的原始文本,稍后将其删除 – >需要用于整列的标记化)

df = df.sort_values(['Entity_Id', 'date'], ascending=True)
df['text_shifted'] = df.groupby(['Entity_Id'])['text'].shift(1)
df['IsNaN'] = df['text_shifted'].isnull().astype(int)
df['text_shifted'] = df['text_shifted'].fillna(df['text'])

在下面我使用jaccard相似性如下：

def jaccard_similarity(query, document):
    intersection = set(query).intersection(set(document))
    union = set(query).union(set(document))
    return len(intersection)/len(union)

但是我必须首先对输入进行标记.
但如果我做的事情如下：

import nltk
df['text_tokens'] = df.text.apply(nltk.word_tokenize)
df['shift_tokens'] = df.text_shifted.apply(nltk.word_tokenize)

在非简化的文本示例中需要多年来标记文本,其中每个文本大约有5000个单词,并且我有大约10万个文本.

有什么方法可以加快这个过程吗？我可以避免标记化还是更好地使用sklearn来计算相似度？

如果我使用这里建议的余弦相似度：Cosine Similarity row-wise我很快就得到了我的结果.但我坚持用jaccard做这件事.

解决方法:

加速该过程的一种方法可以是使用Pandas on Ray的并行处理.

您可以尝试使用jaccard_distance的NLTK实现jaccard相似性.我找不到处理时间的任何显着改进(用于计算相似度),可能在更大的数据集上更好地工作.

尝试将NLTK实现与您的自定义jaccard相似度函数进行比较(平均长度为4个字/令牌的200个文本样本)

NTLK jaccard_distance：

cpu times: user 3.3 s, sys: 30.3 ms, total: 3.34 s
Wall time: 3.38 s

自定义jaccard相似性实现：

cpu times: user 3.67 s, sys: 19.2 ms, total: 3.69 s
Wall time: 3.71 s

python – 用于pandas DataFrame中文本的Jaccard相似度

相关文章