文档1：5，0，3，0，2，0，0，2，0，0 文档2：3，0，2，0，1，1，0，1，0，1 文档3：0，7，0，2，1，0，0，3，0，0 文档4：0，1，0，0，1，2，2，0，3，0 用以上数据，任选两种度量相异性方式，计算文档间的相异性，用python实现

要计算文档间的相异性，我们可以采用多种度量方法。在这里，我们选择两种常见的度量方式：余弦相似度（Cosine Similarity）和杰卡德相似度（Jaccard Similarity）。下面是使用Python实现这两种度量的代码示例：

import numpy as np

# 定义文档数据
docs = [
    [5, 0, 3, 0, 2, 0, 0, 2, 0, 0],
    [3, 0, 2, 0, 1, 1, 0, 1, 0, 1],
    [0, 7, 0, 2, 1, 0, 0, 3, 0, 0],
    [0, 1, 0, 0, 1, 2, 2, 0, 3, 0]
]

# 将文档数据转换为NumPy数组
doc_matrix = np.array(docs)

# 定义余弦相似度函数
def cosine_similarity(doc1, doc2):
    # 计算两个文档的向量点积
    dot_product = np.dot(doc1, doc2)
    # 计算两个文档向量的模长
    norm_doc1 = np.linalg.norm(doc1)
    norm_doc2 = np.linalg.norm(doc2)
    # 计算余弦相似度
    cosine_sim = dot_product / (norm_doc1 * norm_doc2)
    return cosine_sim

# 定义杰卡德相似度函数
def jaccard_similarity(doc1, doc2):
    # 计算交集和并集的大小
    intersection = np.logical_and(doc1, doc2).sum()
    union = np.logical_or(doc1, doc2).sum()
    # 计算杰卡德相似度
    jaccard_sim = intersection / union
    return jaccard_sim

# 计算所有文档对之间的余弦相似度和杰卡德相似度
for i in range(len(docs)):
    for j in range(i+1, len(docs)):
        cos_sim = cosine_similarity(doc_matrix[i], doc_matrix[j])
        jac_sim = jaccard_similarity(doc_matrix[i], doc_matrix[j])
        print(f"Document {i+1} vs Document {j+1}:")
        print(f"  Cosine Similarity: {cos_sim}")
        print(f"  Jaccard Similarity: {jac_sim}")
        print()

这段代码首先定义了文档数据，然后实现了计算余弦相似度和杰卡德相似度的函数。接着，它计算并打印出每对文档间的余弦相似度和杰卡德相似度。