如何在Scikit-learn近邻算法中实现自定义Jaro距离度量

错误原因 #

你遇到的TypeError: 'csr_matrix' object cannot be converted to 'PyString'，是因为用CountVectorizer将文本转换成稀疏矩阵后，直接传给了需要处理字符串的Jaro距离函数。NearestNeighbors计算时会把矩阵的行向量（csr_matrix对象）传入jaro_distance，但jellyfish.jaro_similarity仅接受字符串参数，导致类型不匹配。

解决方案 #

不需要将文本转换为数值矩阵，直接使用原始字符串作为模型输入，同时指定近邻算法为brute（因为其他算法仅支持数值型特征）。

修正后的完整代码 #

import pandas as pd
from sklearn.neighbors import NearestNeighbors
import jellyfish

# Jaro距离函数：返回1减去相似度，符合距离越小越相似的逻辑
def jaro_distance(s1, s2):
    return 1 - jellyfish.jaro_similarity(s1, s2)

# 创建样本和待比对的姓名列表
samples = pd.DataFrame({'NAME':['Saige Fuentes','Bowen Higgins','Kylan Gentry','Amelie Griffith','Jaylen Blackwell']})
namelist = pd.DataFrame({'NAME':['Bowen Higgins','Jaylen Blackwell','Marceline Avila']})

# 初始化近邻模型：指定algorithm='brute'以支持自定义字符串度量
nbrs = NearestNeighbors(n_neighbors=1, metric=jaro_distance, algorithm='brute').fit(namelist['NAME'])

# 直接传入原始字符串进行查询
distances, indices = nbrs.kneighbors(samples['NAME'], n_neighbors=1)

# 验证结果
print("匹配距离：", distances.flatten())
print("匹配的姓名：", namelist.iloc[indices.flatten()]['NAME'].values)

关键修改说明 #

1. 移除CountVectorizer：Jaro距离是基于字符串本身的相似度计算，无需将文本转换为词频矩阵，直接使用原始字符串即可。
2. 添加algorithm='brute'：Scikit-learn中只有暴力搜索算法支持非数值型样本和自定义字符串度量，其他基于树的算法（如KDTree）仅适用于数值特征。

内容的提问来源于stack exchange，提问作者Gabriel Choo