scipy.spatial.distance.jaccard¶

scipy.spatial.distance.jaccard(u, v, w=None)[源代码]¶

计算两个布尔一维数组之间的Jaccard-Needham相异度。

一维布尔数组之间的Jaccard-Needham相异性 u 和 v ，定义为

\[\frac{c_{tf}+c_{ft}} {c_{tt}+c_{ft}+c_{tf}}\]

哪里 \(c_{{ij}}\) 是出现的次数 \(\mathtt{{u[k]}} = i\) 和 \(\mathtt{{v[k]}} = j\) 为 \(k < n\) 。

参数

u(n，)类似数组，布尔: 输入数组。
v(n，)类似数组，布尔: 输入数组。
w(n，)array_like，可选: 中每个值的权重 u 和 v 。默认值为None，即为每个值赋予1.0的权重

退货

jaccard双倍: 向量之间的Jaccard距离 u 和 v 。

注意事项

当两者都存在时 u 和 v 通向一个 0/0 除法，即矢量中的项目之间没有重叠，返回距离为0。请参阅关于贾卡德索引的维基百科页面 [1], 而这篇论文 [2].

在 1.2.0 版更改: 以前，当 u 和 v 通向一个 0/0 除法，则函数将返回NaN。这已更改为返回0。

参考文献

1: https://en.wikipedia.org/wiki/Jaccard_index
2: S.Kosub，“关于Jaccard距离的三角形不等式的注记”，2016。 arXiv:1612.02696

示例

>>> from scipy.spatial import distance
>>> distance.jaccard([1, 0, 0], [0, 1, 0])
1.0
>>> distance.jaccard([1, 0, 0], [1, 1, 0])
0.5
>>> distance.jaccard([1, 0, 0], [1, 2, 0])
0.5
>>> distance.jaccard([1, 0, 0], [1, 1, 1])
0.66666666666666663

scipy.spatial.distance.hamming

scipy.spatial.distance.kulsinski