python计算相似度距离

在Python中，你可以使用一些库来计算相似度距离，其中最常用的是scikit-learn库。scikit-learn提供了许多用于计算相似度距离的方法，包括欧氏距离、曼哈顿距离、余弦相似度等。

下面是一个使用scikit-learn计算余弦相似度的示例代码：

from sklearn.metrics.pairwise import cosine_similarity
from sklearn.feature_extraction.text import TfidfVectorizer

# 定义两个文本
text1 = "This is the first document"
text2 = "This document is the second document"

# 创建TF-IDF向量化器
vectorizer = TfidfVectorizer()

# 将文本转换为TF-IDF特征向量
tfidf_matrix = vectorizer.fit_transform([text1, text2])

# 计算余弦相似度
cosine_sim = cosine_similarity(tfidf_matrix[0], tfidf_matrix[1])

print("余弦相似度:", cosine_sim[0][0])

在上面的示例中，我们首先定义了两个文本：text1和text2。然后，我们使用TfidfVectorizer将这两个文本转换为TF-IDF特征向量。最后，我们使用cosine_similarity函数计算这两个向量之间的余弦相似度。

除了余弦相似度，你还可以使用其他方法，如欧氏距离和曼哈顿距离。这些方法在scikit-learn的metrics模块中提供。你可以根据自己的需求选择合适的方法来计算相似度距离。