不同品种猫猫有多相似呢，Python 文本相似度计算

前言

之前小编呢爬过猫猫 20w 的交易数据，做了一个简单的数据分析，详情看这篇文章：

《爬取 20W 猫猫数据，来了解一下喵喵~》

最近碰到了文本相似度的问题，想到了猫猫数据中有品种的相关描述，于是用品种描述文本来研究一下文本相似度计算的。

查找了一下资料找到了几种实现方法，实现的目的都一样，小编就做了一个对比。

数据处理

数据原始有很多列，我们需要把 O 列直至末尾的这些描述每个品种猫猫的文本合为一列：

以此计算每个品种的描述与其他品种描述的相似度，把“描述”列作为文本列表，“品种”作为索引，两两计算。

合并后的文本指数其实是挺多的，这样便于对比出那种方法更快。

difflib

difflib 是 Python 的内置库，基于 Ratcliff-Obershelp 算法（格式塔模式匹配）。

计算值是 0-1 之间的，越接近 1 说明文本越相似。

fuzzywuzzy

fuzzywuzzy 是一个第三方库，基于莱文斯坦距离，需要安装 python-Levenshtein，fuzzywuzzy，直接 pip 即可。

这个原理最容易说明，莱文斯坦距离一个字符串变为另外一个字符串经过删除，插入，替换的编辑距离。

计算的值介于 0-100，值越大说明两文本越相似。

余弦距离

接下来介绍的集中距离都是需要先将文本进行向量化的，通过向量化计算显示距离。

文本向量化必须两个对比的文本同时向量化操作，确保两文本向量化的长度一样才可进行计算，部分代码：

两对比文本向量化后，再进行相似度计算：

余弦相似度，值介于 0-1，越大说明两文本越相似。

从结果上看对比前两个，值要大于 0.9 才相当于有 60% 以上的相似度，前两种方法更为直观。

其他距离

其他距离的计算方法还有欧式距离，曼哈顿距离，切比雪夫距离，杰尔德距离，汉明距离，这些值的范围没有上限，越小说明文本越相似。

还有皮尔逊相关系数，这个计算的值介于 0-1，值越大说明文本越相似。

它们的实现方式都与余弦相似，详细可查看源代码。

结果

小编使用了所有方法计算相似度，fuzzywuzz 方法计算的时间最快，其次是 difflib，且结果比较直观，其他方法都需要文本向量化在比较，所以在文本较长时，时间有点久。

最后使用 fuzzywuzz 计算的相似度，绘制热力相关图直观的展示猫猫品种哪些描述较为相似：

异国短毛猫与加菲猫描述相似度较高，英囯蓝白与英国短毛猫相似度也较高。

这样一个文本相似度计算就完成了。

源码获取

在公众号对话框回复关键字“文本相似度”即可获取

END