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。