我是文本处理的新手，并且遇到了一个问题来识别列的相似性。为了详细说明问题，考虑我们有两列带有字符串值：

Column A      |        Column B
-------------------------------
abcd          |          xyz
foo           |          bar
xyzzy         |          acct
xyz           |          world
onex          |          foo
...           |          ...
...           |          ...

列的长度可以达到数千。有没有一种方法可以确定列的相似程度？

目前，我正在为这两个列创建 Minhash 签名并计算 Jaccard 相似度 b/w 签名。但问题是，即使对于值有大量重叠的列，相似度得分也太低了。

然后，我尝试通过获取最常出现的值的一部分来创建签名，但这似乎也无济于事。

有没有其他方法可以解决这个问题？