sklearn源码中余弦距离的python代码实现

1、问题描述：在进行sklearn包学习的时候，发现其中的sklearn.metrics.pairwise.pairwise_distance函数可以实现各种距离度量，恰好我用到了余弦距离，于是就调用了该函数pairwise_distances(train_data, metric='cosine')但是对其中细节不是很理解，所以自己动手写了个实现。

2、问题解决：
余弦的距离公式：
$$d_{cosine}=1-\frac{u\cdot v}{\Vert u\Vert \cdot \Vert v\Vert }$$

# 导入必要的包
from math import sqrt
import numpy as np

# d是数据
test_similarity = np.dot(d, d.T)
n_users = d.shape[0]
def normal_l2(u, v):
	"""
	计算二范数
	"""
    norm_l2_u = sqrt(np.dot(u,u))
    norm_l2_v = sqrt(np.dot(v,v))
    return norm_l2_u * norm_l2_v 

for i in range(n_users):
    for j in range(n_users):
        test_similarity[i][j] /= normal_l2(d[i], d[j])
# 下面和sklearn源码一致
test_similarity *= -1
test_similarity += 1
# 将结果进行截断，不然会有负值（其实是0）
np.clip(test_similarity, 0, 2, out=test_similarity)
# 将结果变成普通的小数表示，不加这一步则会得到科学记数法的表示
test_similarity[np.diag_indices_from(test_similarity)] = 0.0