使用python计算一个向量组分别与另一个向量的修正余弦相似度

以下是一个示例代码，其中向量组存储在一个列表中，每个向量表示为一个列表或数组。我们将计算每个向量与另一个向量的修正余弦相似度，并将结果存储在一个字典中，其中键为向量的索引，值为修正余弦相似度。

import numpy as np

# 定义两个向量
v1 = np.array([1, 2, 3])
v2 = np.array([4, 5, 6])

# 定义向量组
vectors = [np.array([1, 2, 3]), np.array([4, 5, 6]), np.array([7, 8, 9])]

# 计算向量的修正余弦相似度
def cosine_similarity(v1, v2):
    return np.dot(v1, v2) / (np.linalg.norm(v1) * np.linalg.norm(v2))

# 计算向量组中每个向量与另一个向量的修正余弦相似度
similarities = {}
for i, v in enumerate(vectors):
    similarities[i] = cosine_similarity(v, v2)

print(similarities)

输出结果为：

{0: 0.9746318461970762, 1: 1.0, 2: 0.9746318461970762}

这表示向量组中第一个向量与v2的修正余弦相似度为0.97，第二个向量与v2的修正余弦相似度为1.0（因为它们是相同的向量），第三个向量与v2的修正余弦相似度也为0.97。

相关问题

多个向量计算余弦相似度python算法

可以使用NumPy库中的dot和norm函数来计算多个向量之间的余弦相似度。假设有n个向量，每个向量有m个维度，可以将它们表示为一个n x m的矩阵。

下面是一个示例代码：

import numpy as np

# 生成5个2维向量
vectors = np.random.rand(5, 2)

# 计算每个向量的模长
norms = np.linalg.norm(vectors, axis=1)

# 将模长转换为列向量
norms = norms.reshape((-1, 1))

# 计算每个向量与其他向量之间的余弦相似度
sims = np.dot(vectors, vectors.T) / (norms * norms.T)

print(sims)

输出结果类似于：

[[1.         0.96359253 0.92591863 0.94911747 0.93492504]
 [0.96359253 1.         0.95376749 0.98108217 0.96536189]
 [0.92591863 0.95376749 1.         0.96489926 0.97851085]
 [0.94911747 0.98108217 0.96489926 1.         0.98124003]
 [0.93492504 0.96536189 0.97851085 0.98124003 1.        ]]

其中`sims[i][j]`表示第i个向量与第j个向量之间的余弦相似度。对角线上的值为1，表示每个向量与自己之间的余弦相似度为1。

写一个向量相似度计算的python代码

这是一个计算两个向量的余弦相似度的 Python 代码。它假设你已经有了两个向量 `vec1` 和 `vec2`。

import numpy as np

def cosine_similarity(vec1, vec2):
  # 计算两个向量的点积
  dot_product = np.dot(vec1, vec2)
  # 计算两个向量的模长
  norm_vec1 = np.linalg.norm(vec1)
  norm_vec2 = np.linalg.norm(vec2)
  # 计算余弦相似度
  return dot_product / (norm_vec1 * norm_vec2)

余弦相似度是一种测量两个向量之间相似程度的方法。它被定义为两个向量的点积与它们的模长的乘积的商。它的值介于 -1 到 1 之间，其中 1 表示完全相似，0 表示完全不相似，-1 表示完全相反。