1

我有两个数据框df1，df2其中包含两个网络的边缘列表，g1并且g2包含相同的节点但不同的连接。对于每个节点，我想比较两个网络之间的 jaccard 索引。

我定义了计算 jaccard 索引的函数

def compute_jaccard_index(set_1, set_2):
    n = len(set_1.intersection(set_2))
    return n / float(len(set_1) + len(set_2) - n) 

df1  
     i   j
0    0   2
1    0   5
2    1   2
3    2   3
4    2   4
5    2   7


df2  
     i   j
0    0   2
1    0   5
2    0   1
3    1   3
4    2   4
5    2   7

我正在做的是以下内容：

tmp1 = pd.unique(df1['i'])
tmp2 = pd.unique(df2['i'])

JI = []
for i in tmp1:
    tmp11 = df1[df1['i']==i]
    tmp22 = df2[df2['i']==i]
    set_1 = list(tmp11['j'])
    set_2 = list(tmp22['j'])

    JI.append(compute_jaccard_index(set_1, set_2))

我想知道是否有更有效的方法

4

1 回答 1

2

我总是发现利用 scipy 的稀疏矩阵和向量化操作而不是依赖于 python 的集合函数更快。这是一个简单的函数，它将 DataFrame 边缘列表转换为稀疏矩阵（有向和无向）：

import scipy.sparse as spar

def sparse_adjmat(df, N=None, directed=False, coli='i', colj='j'):
    # figure out size of matrix if not given
    if N is None:
        N = df[[coli, colj]].max() + 1

    # make a directed sparse adj matrix
    adjmat = spar.csr_matrix((np.ones(df.shape[0],dtype=int), (df[coli].values, df[colj].values)), shape = (N,N))

    # for undirected graphs, force the adj matrix to be symmetric
    if not directed:
        adjmat[df[colj].values, df[coli].values] = 1

    return adjmat

那么它只是二进制邻接矩阵上的简单向量运算：

def sparse_jaccard(m1,m2):

    intersection = m1.multiply(m2).sum(axis=1)
    a = m1.sum(axis=1)
    b = m2.sum(axis=1)
    jaccard = intersection/(a+b-intersection)

    # force jaccard to be 0 even when a+b-intersection is 0
    jaccard.data = np.nan_to_num(jaccard.data)
    return np.array(jaccard).flatten()

为了比较，我制作了一个随机 pandas 边缘列表函数并将您的代码包装到以下函数中：

def erdos_renyi_df(N=100,m=400):
    df = pd.DataFrame(np.random.randint(0,N, size=(m,2)), columns = ['i','j'])
    df.drop_duplicates(['i','j'], inplace=True)
    df.sort_values(['i','j'], inplace=True)
    df.reset_index(inplace=True, drop=True)
    return df

def compute_jaccard_index(set_1, set_2):
    n = len(set_1.intersection(set_2))
    return n / float(len(set_1) + len(set_2) - n) 

def set_based_jaccard(df1,df2):
    tmp1 = pd.unique(df1['i'])
    tmp2 = pd.unique(df2['i'])
    JI = []
    for i in tmp1:
        tmp11 = df1[df1['i']==i]
        tmp22 = df2[df2['i']==i]
        set_1 = set(tmp11['j'])
        set_2 = set(tmp22['j'])

        JI.append(compute_jaccard_index(set_1, set_2))

    return JI

然后我们可以通过制作两个随机网络来比较运行时间：

N = 10**3
m = 4*N

df1 = erdos_renyi_df(N,m)
df2 = erdos_renyi_df(N,m)

并使用基于集合的方法计算每个节点的 Jaccard 相似度：

%timeit set_based_jaccard(df1,df2)
1.54 s ± 113 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

以及稀疏方法（包括转换为稀疏矩阵的开销）：

%timeit sparse_jaccard(sparse_adjmat(df1, N=N, directed=True, coli='i', colj='j'),sparse_adjmat(df2, N=N, directed=True, coli='i', colj='j'))
1.71 ms ± 109 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

如您所见，稀疏矩阵代码大约快 1000 倍。

于 2019-01-20T19:44:15.717 回答