• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Calcular la similitud de Jaccard en Python

enero 19, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

La similitud de Jaccard es una medida esencial en los campos de la ciencia y minería de datos. Al ofrecer una forma de cuantificar la similitud entre dos conjuntos de datos y se usa en tareas como la comparación de documentos, las mediciones de similitud en el aprendizaje automático y la recomendación de productos. En esta entrada se explicará qué es y cómo se puede implementar la similitud de Jaccard en Python.

La similaridad de Jaccard

La similitud de Jaccard, también conocida como índice de Jaccard, es un estadístico que mide el grado de similitud entre dos conjuntos de datos. Para lo que calcula la ratio entre la intersección de los elementos comunes con la unión de todos los elementos. Matemáticamente, la similaridad de Jaccard se expresa mediante la siguiente fórmula J(A, B) = \frac{|A \cap B|}{|A \cup B|}, donde |A \cap B| es el tamaño de la intersección de los conjuntos A y B y |A \cup B| es el tamaño de la unión de los conjuntos. Un índice que se pude representar gráficamente en el siguiente esquema donde lo que se mide es la zona marcada en rojo.

Representación gráfica de la similitud de Jaccard
La similitud de Jaccard

En base a esta definición, se puede ver que la similaridad de Jaccard solamente puede tomar valores entre 0 y 1. Cuando el valor es 0, esto indica que no existe ningún elemento común entre los dos conjuntos de datos. Por otro lado, cuando se obtienen 1 los dos grupos son exactamente iguales. Con lo que se puede llegar a una interpretación intuitiva del índice tal que: un valor más cercano a 1 significa conjuntos más similares, mientras que un valor más cercano a 0 indica conjuntos más diferentes.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

Implementación en Python

Una vez vista la definición de la similitud de Jaccard no es difícil implementarla en Python, solamente se tiene que obtener el tamaño de la intersección y unión de dos conjuntos de datos. Una posible implementación del índice es:

from typing import Set

def jaccard_similarity(set1: Set, set2: Set) -> float:
    """
    Calcula la similitud de Jaccard entre dos conjuntos.

    Parámetros
    ----------
        set1 : Set
            Primer conjunto.
            
        set2 : Set
            Segundo conjunto.

    Retorna
    -------
        similarity : float
            Valor de similitud de Jaccard en el rango [0, 1].
    
    """
    intersection = len(set1.intersection(set2))
    union = len(set1.union(set2))
    similarity = intersection / union
    return similarity

Ahora se puede ver cómo usar esta función para comparar dos conjuntos de datos.

# Ejemplo de uso
conjunto1 = {1, 2, 3, 4, 5}
conjunto2 = {3, 4, 5, 6, 7}

similitud = jaccard_similarity(conjunto1, conjunto2)
print(f"La similitud de Jaccard entre los conjuntos es: {similitud}")
La similitud de Jaccard entre los conjuntos es: 0.42857142857142855

Para comprobar el resultado solamente se tiene que calcular la intersección de los dos conjuntos, {3, 4, 5}, y la unión, {1, 2, 3, 4, 5, 6, 7}. Por lo que la similaridad de Jaccard no es más que el cociente del tamaño de los dos, esto es 3/7, o lo que es lo mismo 0,428, el valor que ha devuelto la función. Por lo que se puede ver que la función funciona correctamente.

Conclusiones

La similitud de Jaccard es una métrica extremadamente útil para el análisis de conjuntos y juega un papel crucial en diversas aplicaciones dentro de la ciencia de datos. Por eso es importante entender, cómo se ha explicado en la entrada, sus fundamentos. Además, al contar con una implementación en Python se puede usar directamente en nuestros análisis y proyectos.

Imagen de Miguel Á. Padriñán en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos

Publicidad

Publicado en: Ciencia de datos

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Manipulación de cadenas en Python publicado el septiembre 11, 2023 | en Python
  • Cómo determinar el número de componentes en PCA usando el Criterio de Kaiser publicado el febrero 14, 2025 | en Ciencia de datos
  • Cómo comparar datos con barras en Matplotlib: agrupadas, apiladas y porcentuales publicado el mayo 12, 2026 | en Python
  • NumPy Generación y manipulación de números aleatorios en NumPy publicado el noviembre 25, 2024 | en Python
  • Justicio: La herramienta gratuita de IA para consultas legales publicado el diciembre 10, 2024 | en Reseñas

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto