如何用scikit-learn等Python工具包计算集合间的Jaccard相似度？

当然可以用scikit-learn（或其他Python工具包）来计算两个集合的Jaccard相似度！你提到的jaccard_similarity_score（现在sklearn新版本里已经被jaccard_score替代）确实只针对等长二进制向量，因为它最初是为分类任务的标签匹配场景设计的，不是直接处理集合的。

用MultiLabelBinarizer处理集合（官方推荐方式） #

没错，使用MultiLabelBinarizer把集合转换成统一维度的二进制向量，再计算Jaccard相似度，这正是scikit-learn预设的处理非等长集合的标准方式。它的核心思路是把所有集合的元素合并成一个全局词汇表，然后每个集合都转换成对应词汇表的二进制向量——元素存在标记为1，不存在标记为0。

举个实际代码例子：

from sklearn.preprocessing import MultiLabelBinarizer
from sklearn.metrics import jaccard_score

# 定义两个待计算的集合
set_a = {"apple", "banana", "cherry"}
set_b = {"banana", "cherry", "date"}

# 初始化二进制转换器，拟合并转换两个集合
mlb = MultiLabelBinarizer()
binary_vectors = mlb.fit_transform([set_a, set_b])

# 提取转换后的两个向量
vec_a = binary_vectors[0]
vec_b = binary_vectors[1]

# 计算Jaccard相似度（交并比）
similarity = jaccard_score(vec_a, vec_b)
print(similarity)  # 输出：0.5（交集2个元素，并集4个元素，2/4=0.5）

其他工具包选项 #

除了scikit-learn，你也可以用SciPy的工具来计算，不过注意它返回的是Jaccard距离（1 - 相似度），需要做个转换：

from scipy.spatial.distance import jaccard

distance = jaccard(vec_a, vec_b)
similarity = 1 - distance
print(similarity)  # 同样得到0.5

手动实现确实简单 #

正如你所说，手动实现集合的Jaccard相似度只需要几行代码，完全不需要依赖工具包：

def calculate_jaccard(set1, set2):
    intersection = len(set1.intersection(set2))
    union = len(set1.union(set2))
    return intersection / union if union != 0 else 0.0

print(calculate_jaccard(set_a, set_b))  # 输出：0.5

关于MultiLabelBinarizer的预设用法 #

完全是预设用法！当你需要在机器学习流水线中处理不同元素的集合时，把集合编码成统一维度的二进制向量是标准化步骤，这样可以无缝衔接sklearn的其他组件（比如聚类、分类模型）。如果只是单独计算一次相似度，手动实现更高效，但如果是在复杂流程里，用sklearn的组件会更规整、易维护。

内容的提问来源于stack exchange，提问作者matanox