Python 欧式距离 余弦相似度 用scikit cosine_similarity计算相似度 用scikit pairwise_distances计算相似度

1、欧式距离

# 1) given two data points, calculate the euclidean distance between them
def get_distance(data1, data2):
    points = zip(data1, data2)
    diffs_squared_distance = [pow(a - b, 2) for (a, b) in points]
    return math.sqrt(sum(diffs_squared_distance))

2、余弦相似度
def cosin_distance(vector1, vector2):
    dot_product = 0.0
    normA = 0.0
    normB = 0.0
    for a, b in zip(vector1, vector2):
        dot_product += a * b
        normA += a ** 2
        normB += b ** 2
    if normA == 0.0 or normB == 0.0:
        return None
    else:
        return dot_product / ((normA * normB) ** 0.5)


3、用Numpy进行余弦相似度计算

sim = user_item_matric.dot(user_item_matric.T)
norms = np.array([np.sqrt(np.diagonal(sim))])
user_similarity=(sim / norms / norms.T)


4、用scikit cosine_similarity计算相似度

from sklearn.metrics.pairwise import cosine_similarity
user_similarity=cosine_similarity(user_tag_matric)

5、用scikit pairwise_distances计算相似度

from sklearn.metrics.pairwise import pairwise_distances
user_similarity = pairwise_distances(user_tag_matric, metric='cosine')

需要注意的一点是,用pairwise_distances计算的Cosine distance是1-(cosine similarity)结果

 

--------------------- 
作者:趙大宝 
来源:CSDN 
原文:https://blog.csdn.net/u010412858/article/details/60467382 
版权声明:本文为博主原创文章,转载请附上博文链接!

你可能感兴趣的:(Python 欧式距离 余弦相似度 用scikit cosine_similarity计算相似度 用scikit pairwise_distances计算相似度)