大熊猫DataFrame中文本的Jaccard相似度

Question

我想测量熊猫DataFrame中文本之间的jaccard相似度。更确切地说，我有一些实体组，并且一段时间内每个实体都有一些文本。我想针对每个实体分别分析一段时间内的文本相似度（此处为Jaccard相似度）。

一个最小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日期文字

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日期文字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如何。我想将其始终与之前的文本进行比较。因此，每个公司的第一个条目始终为空，因为没有可比较的文本。

我的方法是将实体标识符的文本移动一个时间间隔（下一个可用日期）。然后确定每个实体的第一个报告并对其进行标记。（我在text_shifted中输入了NaN的原始文本，并稍后将其删除->需要对整个列进行标记化）

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'])

在下文中，我使用jaccard相似度如下：

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

但是我必须先标记输入。但是，如果我做类似的事情：

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

在不简化的文本示例中，将文本标记化需要花费数年的时间，其中每个文本大约有5000个单词，而我大约有100000个文本。

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

如果我按照这里建议的那样使用余弦相似度：逐行余弦相似度，我会很快得到结果。但是我一直坚持用jaccard来做。

Answer 1

加快该过程的一种方法是使用Pandas on Ray进行并行处理。

您可以尝试 NLTK 实现jaccard_distance来获得 jaccard 相似性。不过，我在处理时间上没有发现任何显着的改进（用于计算相似性），可能在更大的数据集上效果更好。

尝试将 NLTK 实现与自定义 jaccard 相似性函数进行比较（在平均长度为 4 个单词/标记的 200 个文本样本上）

NTLK jaccard_距离：

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

自定义jaccard相似度实现：

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