Jaccard係数(Jaccard index)をPythonで計算する

Jaccard係数(Jaccard index、Jaccard similarity coefficient)とは、二つのデータセット間の類似度を測る指標です。 値の範囲は0〜1です。1に近いほど、二つのデータセットは類似しています。

Pythonで計算する：

a = ["apple", "orange", "banana"] 
b = ["orange", "strawberry", "apple", "banana"] 

def jaccard_sim(a, b): 
    s1 = set(a) 
    s2 = set(b) 
    return float(len(s1.intersection(s2)) / len(s1.union(s2))) 

result = jaccard_sim(a, b) 
print(result) # 結果: 0.75

scikit-learnで計算する：

from sklearn.metrics import jaccard_score 
from sklearn.feature_extraction.text import CountVectorizer 

corpus = [ "apple orange banana", "orange strawberry apple banana" ] 
X = CountVectorizer().fit_transform(corpus) 
arr = X.toarray() 
result = jaccard_score(arr[0], arr[1]) 
print(result) # 結果: 0.75