我有多个列表:

['disney','england','france']['disney','japan']['england', 'london']['disney', 'france']

现在我需要确定这些列表中哪些元素倾向于一起出现。

例如，在这个小例子中，我们发现’disney’和’france’经常一起出现在列表中。随着文档/列表数量的增加，我们可能会发现’england’总是与’london’一起出现在列表中。

我已经研究过像元组这样的东西，但这更多地发生在语言和大型文本文档中。这里的问题是如何识别这些成对/三元组/n个属性一起出现的情况。

编辑：这不仅仅是查看成对的情况。如果你有三个字符串反复一起出现怎么办！

回答：

也许像这样的事情可以作为一个起点:

import numpy as np# 我将使用数字而不是单词，# 但概念完全相同points_list = [[0,1,2],               [0,3],               [1,4],               [0,2]]scores = np.zeros((5,5))for points in points_list:    temp = np.array(points)[:, np.newaxis]           scores[temp, points] += 1

结果:

>>> scoresarray([[ 3.,  1.,  2.,  1.,  0.],       [ 1.,  2.,  1.,  0.,  1.],       [ 2.,  1.,  2.,  0.,  0.],       [ 1.,  0.,  0.,  1.,  0.],       [ 0.,  1.,  0.,  0.,  1.]])

对角线元素告诉你一个变量总共出现的次数，非对角线元素告诉你两个变量一起出现的次数。这个矩阵显然是对称的，因此可能可以在此基础上进行优化。

另外，如果你的子列表非常长（你有很多变量），但它们的数量不多，你可以考虑使用稀疏矩阵。

编辑:

这里有一个关于如何获取三元组等的想法。

import numpy as np# 我将使用数字而不是单词，# 但概念完全相同points_list = [[0,1,2],               [0,3],               [1,4],               [0,2],               [0,1,2,3],               [0,1,2,4]]scores = np.zeros((5,5))for points in points_list:    temp = np.array(points)[:, np.newaxis]           scores[temp, points] += 1diag = scores.diagonal()key_col = (scores/diag)[:, 0]key_col[0] = 0points_2 = np.where(key_col > 0.5)[0]      # 假设0.5是阈值 temp_2 = np.array(points_2)[:, np.newaxis] # 第一步：我们识别了接近0的点inner_scores = scores[temp_2, points_2]    # 第一步：我们检查这些点是否彼此接近

打印输出

>>> scoresarray([[ 5.,  3.,  4.,  2.,  1.], # 我们识别出1和2接近0       [ 3.,  4.,  3.,  1.,  2.],       [ 4.,  3.,  4.,  1.,  1.],       [ 2.,  1.,  1.,  2.,  0.],       [ 1.,  2.,  1.,  0.,  2.]])>>> inner_scoresarray([[ 4.,  3.],                # 测试1和2是否彼此接近       [ 3.,  4.]])               # 因为它们是接近的，我们可以得出结论(0,1,2)一起出现

就我目前所见，为了使这个想法正常工作，我们需要一个仔细的递归实现，但我希望这对你有帮助。