python 余弦相似度代码

以下是 Python 中计算余弦相似度的代码示例：

import numpy as np

def cosine_similarity(a, b):
    dot_product = np.dot(a, b)
    norm_a = np.linalg.norm(a)
    norm_b = np.linalg.norm(b)
    return dot_product / (norm_a * norm_b)

其中，a 和 b 都是向量，可以是 numpy 数组或列表。函数中使用了 numpy 中的 dot 函数计算向量点积，使用了 numpy 中的 linalg.norm 函数计算向量的模长。最后返回的是余弦相似度值。

相关问题

python余弦相似度

在Python中，可以使用scikit-learn库的cosine_similarity函数来计算余弦相似度。

首先，需要将需要比较的两个向量转化为numpy数组或者scipy sparse matrix。然后，可以使用cosine_similarity函数计算它们的余弦相似度。代码示例如下：

from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

# 定义两个向量
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 将两个向量转化为二维数组
a = a.reshape(1, -1)
b = b.reshape(1, -1)

# 计算余弦相似度
cos_sim = cosine_similarity(a, b)

print(cos_sim)

输出结果为：

[[0.97463185]]

这表示向量a和向量b的余弦相似度为0.9746。

python余弦相似度公式

Python中计算余弦相似度的公式可以通过使用scikit-learn库中的cosine_similarity函数来实现。首先，你需要将要比较的向量表示为NumPy数组形式，然后使用cosine_similarity函数计算它们之间的余弦相似度。以下是示例代码：

import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

# 向量A和向量B
vector_a = np.array([1, 2, 3])
vector_b = np.array([4, 5, 6])

# 将向量A和向量B转换为二维数组形式
vector_a = vector_a.reshape(1, -1)
vector_b = vector_b.reshape(1, -1)

# 计算余弦相似度
cosine_similarity_score = cosine_similarity(vector_a, vector_b)

print(cosine_similarity_score)

这段代码将输出两个向量之间的余弦相似度。请注意，这个函数要求输入的向量是二维数组形式，因此我们使用`reshape`函数对向量进行了转换。