从dicts计算欧几里德距离（sklearn）

Question

我的代码中已经计算了两个dictionaries，如下所示：

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

实际上，它们包含来自wiki文本的单词，但这应该能说明我的意思。它们不一定包含相同的键。在

最初我想使用sklearn的成对度量，如下所示：

^{pr2}$

但是，这会产生一个错误：

--------------------------------------------------------------------------
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，这就像是在试图访问shape属性，dict没有这个属性。我想它需要numpy数组。如果一个字典没有某个键，而另一个字典有一个键，我该如何转换字典，以便sklearn函数计算正确的距离，假设0值？在

Answer 1

为什么不直接从稀疏表示中进行呢？在

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

您可以先创建一个包含字典所有键的列表（需要注意的是，必须对该列表进行排序）：

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))))

这在Python2中工作得很好，但是如果您使用的是python3，则需要添加一个句子from functools import reduce（感谢@Zelphir发现了这一点）。如果不想导入functools模块，可以用以下代码替换上面代码段的最后一行：

^{pr2}$

无论您选择什么方法，列表words都可以设置一个矩阵，其中每一行对应于一个字典（一个示例），并且这些字典（特征）的值被放在与其键对应的列中。在

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

此矩阵可传递给scikit的函数pairwise_distance：

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

下面的交互式会话演示了它的工作原理：

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，您可以将上面的代码包装成一个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)

我避免了对reduce的调用，以便包装器能够跨版本工作。在

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.]])

Answer 3

似乎您希望使用X.get(search_string,0)，如果找不到，它将输出值或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]，这将推送一个输出列表。在