python计算相似度

计算两个向量之间的相似度有多种方法，以下是其中几种：

1. 余弦相似度

余弦相似度是最常用的相似度计算方法之一，它可以用来计算两个向量之间的夹角余弦值，其取值范围在[-1, 1]之间。在Python中可以使用scikit-learn库的cosine_similarity函数来计算余弦相似度。

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

# 两个向量
a = np.array([1, 2, 3])
b = np.array([3, 2, 1])

# 计算余弦相似度
cos_sim = cosine_similarity(a.reshape(1, -1), b.reshape(1, -1))[0][0]
print(cos_sim)

2. 欧几里得距离

欧几里得距离是指在n维空间中两个点之间的距离，它可以用来计算两个向量之间的相似度。在Python中可以使用scipy库的euclidean函数来计算欧几里得距离。

from scipy.spatial.distance import euclidean
import numpy as np

# 两个向量
a = np.array([1, 2, 3])
b = np.array([3, 2, 1])

# 计算欧几里得距离
euclidean_dist = euclidean(a, b)
similarity = 1 / (1 + euclidean_dist)
print(similarity)

3. 皮尔逊相关系数

皮尔逊相关系数用于衡量两个变量之间的线性相关性，它可以用来计算两个向量之间的相似度。在Python中可以使用scipy库的pearsonr函数来计算皮尔逊相关系数。

from scipy.stats import pearsonr
import numpy as np

# 两个向量
a = np.array([1, 2, 3])
b = np.array([3, 2, 1])

# 计算皮尔逊相关系数
corr, _ = pearsonr(a, b)
similarity = (corr + 1) / 2
print(similarity)

以上是计算相似度的几种方法，根据实际情况选择合适的方法即可。