在R中计算仅统计共享列的二进制数据相似度矩阵

核心需求 #

计算data.frame中每行（代表单个项目）的相似度，仅基于**同时为1的列（组）**统计，0值（非组内成员）不参与相似度计算——即只考虑两行都属于的组，忽略双方都不属于的组。

高效实现方案 #

方案1：纯矩阵运算（无依赖） #

利用二进制矩阵的交叉乘积快速计算两两交集，再结合行和计算并集，最终得到符合需求的Jaccard相似度（交集/并集）：

# 将data.frame转为矩阵
mat <- as.matrix(your_dataframe)

# 计算两两行的交集（同时为1的列数）
intersection <- mat %*% t(mat)

# 计算每行的1的数量（项目所属组的总数）
row_counts <- rowSums(mat)

# 计算两两行的并集（至少一方为1的列数）
union <- outer(row_counts, row_counts, "+") - intersection

# 生成相似度矩阵，对角线设为1（自身相似度）
similarity_mat <- intersection / union
diag(similarity_mat) <- 1

矩阵运算基于R基础包实现，底层是优化过的线性代数逻辑，处理大数据集时比循环实现快数个数量级。

方案2：用proxy包快速实现 #

proxy包专门优化了距离/相似度计算，内置Jaccard方法，代码更简洁：

library(proxy)

# 转矩阵（data.frame也可直接传入）
mat <- as.matrix(your_dataframe)

# 将Jaccard距离转为相似度（1-距离）
similarity_mat <- 1 - dist(mat, method = "Jaccard")
similarity_mat <- as.matrix(similarity_mat)

底层实现经过性能优化，适合快速开发场景。

示例验证 #

假设输入数据：

df <- data.frame(
  GroupA = c(1,1,0,0),
  GroupB = c(1,0,1,0),
  GroupC = c(0,1,1,1),
  GroupD = c(0,0,0,1)
)

运行上述代码后得到的相似度矩阵：

[,1]      [,2]      [,3]      [,4]
[1,] 1.0000000 0.3333333 0.2500000 0.0000000
[2,] 0.3333333 1.0000000 0.5000000 0.2500000
[3,] 0.2500000 0.5000000 1.0000000 0.3333333
[4,] 0.0000000 0.2500000 0.3333333 1.0000000

完全符合基于共享组的相似度需求。

额外说明 #

• 如果数据不是严格二进制（存在大于1的值），先转二进制：mat <- (mat > 0) * 1
• 若仅需要共享组的数量作为相似度，直接使用intersection矩阵即可，无需计算并集。

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