余弦相似度python scipy.spatial

余弦相似度是一种用于比较两个向量之间的相似度的方法。在Python中，可以使用scipy库中的spatial模块来计算余弦相似度。具体来说，scipy.spatial.distance.cosine函数可以计算两个向量之间的余弦相似度。该函数的输入参数为两个向量，输出结果为两个向量之间的余弦相似度值，取值范围为[-1,1]。当两个向量完全相同时，余弦相似度为1；当两个向量完全不同时，余弦相似度为-1。

下面是一个示例代码：

import scipy.spatial.distance

vector1 = [1, 2, 3]
vector2 = [2, 3, 4]

cosine_similarity = 1 - scipy.spatial.distance.cosine(vector1, vector2)
print("余弦相似度为：", cosine_similarity)

相关问题

计算余弦相似度python

### 如何在Python中计算余弦相似度

#### 使用NumPy库计算余弦相似度
为了简化操作并提高效率，通常会借助于成熟的第三方库来进行余弦相似度的运算。其中一种方式就是利用`numpy`库中的函数完成此任务。

下面给出了一段基于`numpy`库实现两个向量间余弦相似度计算的例子：

import numpy as np

def cosine_similarity_numpy(vector_a, vector_b):
    """ 计算两个向量之间的余弦相似度 """
    
    dot_product = np.dot(vector_a, vector_b)  # 向量点乘
    norm_a = np.linalg.norm(vector_a)         # A向量模长
    norm_b = np.linalg.norm(vector_b)         # B向量模长
    
    return dot_product / (norm_a * norm_b)

vector_1 = np.array([1, 2, 3])
vector_2 = np.array([-1, -2, -3])

similarity_score = cosine_similarity_numpy(vector_1, vector_2)
print(f"Cosine Similarity Score between vectors is {similarity_score}")

这段程序首先导入了必要的模块——`numpy`；接着定义了一个名为`cosine_similarity_numpy()` 的辅助函数用于接收待比较的两组数据作为输入参数，并返回它们之间经过标准化后的内积值即为所求得的结果[^2]。

#### 利用Scipy库快速获取结果
除了上述方法外，还可以采用更为简洁的方式调用来自`scipy.spatial.distance`子包下的现成工具来达成相同目的。这种方式不仅减少了自定义逻辑编写的工作量而且提高了代码可读性和执行性能。

下面是具体的实践方案：

from scipy import spatial

vector_x = [0.8, 0.6]
vector_y = [-0.4, 0.9]

result = 1 - spatial.distance.cosine(vector_x, vector_y)
print('Cosine similarity:', result)

这里直接运用了`spatial.distance.cosine()` 函数接受一对或多对样本特征表示形式的数据集作为入参进而得出最终得分[^1]。

python中求余弦相似度

在Python中，可以使用scipy库中的spatial.distance.cosine函数来计算余弦相似度。该函数接受两个向量作为输入，并返回它们之间的余弦相似度。

下面是一个示例代码，演示如何使用cosine函数计算余弦相似度：

from scipy.spatial import distance

# 定义两个向量
vector1 = [1, 2, 3]
vector2 = [4, 5, 6]

# 计算余弦相似度
cosine_similarity = 1 - distance.cosine(vector1, vector2)

print("余弦相似度:", cosine_similarity)

运行以上代码，将输出两个向量的余弦相似度。