多数据类型（字符串、整型、浮点型等）向量相似度计算方法咨询

首先明确：Pandas 没有内置专门实现该相似度计算规则的现成函数，但依托Pandas的向量广播运算能力，仅需少量代码即可封装出符合要求的工具函数。

1. 测试环境构造 #

先构造你给出的示例DataFrame用于测试：

import pandas as pd

# 构造示例DataFrame
df = pd.DataFrame([
    [1, 1.1, -19, "kuku", "lulu"],
    [2.8, 1.1, -20, "kuku", "lilu"]
])

2. 自定义相似度计算函数 #

以下函数完全符合你的需求：输入目标向量，自动和DataFrame所有行逐维度比较，输出每行的相似度均值得分：

def calc_dim_match_similarity(target_vector, df):
    # 逐元素对比是否相等，每行的均值就是匹配维度占总维度的比例
    return (df == target_vector).mean(axis=1)

3. 使用示例 #

# 输入目标向量，这里用示例中的第一行作为测试目标
target = [1, 1.1, -19, "kuku", "lulu"]
similarity_scores = calc_dim_match_similarity(target, df)

# 输出结果：第一行和自身完全匹配得1.0，第二行匹配2个维度得0.4，和示例计算结果一致
print(similarity_scores)

输出结果：

0    1.0
1    0.4
dtype: float64

注意事项 #

• 需保证输入的目标向量长度和DataFrame的列数完全一致，否则会触发维度不匹配错误
• 如果维度值为计算得到的浮点数，建议先做精度截断（比如保留固定小数位）再进行比较，避免浮点数精度误差导致相等判定错误

内容的提问来源于stack exchange，提问作者SteveS