计算从类型的字典（sklearn）欧氏距离

Question

我在我的代码，它看起来像这样已经计算的两张dictionaries：

X = {'a': 10, 'b': 3, 'c': 5, ...} 
Y = {'a': 8, 'c': 3, 'e': 8, ...} 

其实它们包含来自维基文本的话，但这应该足以说明我的意思。它们不一定包含相同的密钥。

起初我想用sklearn的成对指标如下：

from sklearn.metrics.pairwise import pairwise_distances 

obama = wiki[wiki['name'] == 'Barack Obama']['tf_idf'][0] 
biden = wiki[wiki['name'] == 'Joe Biden']['tf_idf'][0] 

obama_biden_distance = pairwise_distances(obama, biden, metric='euclidean', n_jobs=2)[0][0] 

然而，这给出了一个错误：

-------------------------------------------------------------------------- 
AttributeError       Traceback (most recent call last) 
<ipython-input-124-7ff03bd40683> in <module>() 
     6 biden = wiki[wiki['name'] == 'Joe Biden']['tf_idf'][0] 
     7 
----> 8 obama_biden_distance = pairwise_distances(obama, biden, metric='euclidean', n_jobs=2)[0][0] 

/home/xiaolong/development/anaconda3/envs/coursera_ml_clustering_and_retrieval/lib/python3.4/site-packages/sklearn/metrics/pairwise.py in pairwise_distances(X, Y, metric, n_jobs, **kwds) 
    1205   func = partial(distance.cdist, metric=metric, **kwds) 
    1206 
-> 1207  return _parallel_pairwise(X, Y, func, n_jobs, **kwds) 
    1208 
    1209 

/home/xiaolong/development/anaconda3/envs/coursera_ml_clustering_and_retrieval/lib/python3.4/site-packages/sklearn/metrics/pairwise.py in _parallel_pairwise(X, Y, func, n_jobs, **kwds) 
    1058  ret = Parallel(n_jobs=n_jobs, verbose=0)(
    1059   fd(X, Y[s], **kwds) 
-> 1060   for s in gen_even_slices(Y.shape[0], n_jobs)) 
    1061 
    1062  return np.hstack(ret) 

AttributeError: 'dict' object has no attribute 'shape' 

对我来说这倒像是东西正试图访问shape属性，其中dict没有。我想它需要numpy阵列。如何转换字典，以便sklearn函数能够计算正确的距离，假设0值，如果字典没有某个键，而另一个字典有？

Answer 1

你为什么不直接从你的稀疏表示做到这一点？

In [1]: import math 

In [2]: Y = {'a': 8, 'c':3,'e':8} 

In [3]: X = {'a':10, 'b':3, 'c':5} 

In [4]: math.sqrt(sum((X.get(d,0) - Y.get(d,0))**2 for d in set(X) | set(Y))) 
Out[4]: 9.0 

Answer 2

好像你想要使用X.get(search_string,0)，如果没有找到，它会输出值或0。如果你有很多搜索字符串，你可以做[X.get(s,0) for s in list_of_strings]，它会推送一个输出列表。

Answer 3

你可以用你的字典的所有键创建列表开始（需要注意的是该名单进行排序很重要）：

X = {'a': 10, 'b': 3, 'c': 5} 
Y = {'a': 8, 'c': 3, 'e': 8} 
data = [X, Y] 
words = sorted(list(reduce(set.union, map(set, data)))) 

这工作在Python 2罚款，但如果你正在使用Python 3，您需要添加句子from functools import reduce（感谢@Zelphir发现此问题）。如果你不希望导入functools模块，您可以通过下面的代码替换上面的代码片段的最后一行：

words = set(data[0]) 
for d in data[1:]: 
    words = words | set(d) 
words = sorted(list(words)) 

不管它是你选择的方法，该列表words能够SET-建立一个矩阵，其中每一行对应一个字典（样本），并将这些字典（特征）的值放置在与其关键字对应的列中。

feats = zip(*[[d.get(w, 0) for d in data] for w in words]) 

这个矩阵可以传递给scikit的功能pairwise_distance：

from sklearn.metrics.pairwise import pairwise_distances as pd 
dist = pd(feats, metric='euclidean') 

以下交互式会话说明了它是如何工作的：

In [227]: words 
Out[227]: ['a', 'b', 'c', 'e'] 

In [228]: feats 
Out[228]: [(10, 3, 5, 0), (8, 0, 3, 8)] 

In [229]: dist 
Out[229]: 
array([[ 0., 9.], 
     [ 9., 0.]]) 

最后，你可以换上面的代码为函数来计算任意数量字典的成对距离：

def my_func(data, metric='euclidean'): 
    words = set(data[0]) 
    for d in data[1:]: 
     words = words | set(d) 
    words = sorted(list(words)) 
    feats = zip(*[[d.get(w, 0) for d in data] for w in words]) 
    return pd(feats, metric=metric) 

我已经避免了对reduce的调用，以便包装在各个版本上工作。

演示：

In [237]: W = {'w': 1} 

In [238]: Z = {'z': 1} 

In [239]: my_func((X, Y, W, Z), 'cityblock') 
Out[239]: 
array([[ 0., 15., 19., 19.], 
     [ 15., 0., 20., 20.], 
     [ 19., 20., 0., 2.], 
     [ 19., 20., 2., 0.]])