python向量之间相似性的计算方法（持续更新中）

亲测有效的方法：

1、余弦相似性（cosine）

    （1）使用sklearn中的向量相似性的计算包，代码如下：

      这个函数的输入是n个长度相同的list或者array，函数的处理是计算这n个list两两之间的余弦相似性，最后生成的相似矩阵中的s[i][j]表示的是原来输入的矩阵中的第i行和第j行两个向量的相似性，所以生成的是n*n的相似性矩阵

from sklearn.metrics.pairwise import cosine_similarity

s = cosine_similarity([[1, 0, 0, 0]], [[1, 0, 0, 0]])
print(s)

输出： 

 [[1.]]

    （2）使用scipy包中的距离计算，代码如下：

        这里的vec1和vec2都是一维的array向量。

from scipy.spatial.distance import cosine

vec1 = [1, 2, 3]
vec2 = [2, 3, 4]
s = cosine(vec1, vec2)

print(s)

 0.007416666029069763

2、皮尔森相关系数（pearson）

from scipy import stats
import numpy as np

a = np.array([0, 0, 0, 1, 1, 1, 1])
b = np.arange(7)
s1 = stats.pearsonr(a, b)

s2 = stats.pearsonr([1,2,3,4,5], [5,6,7,8,7])
print("s1:", s1)
print("s2:", s2)

s1: (0.8660254037844387, 0.011724811003954626)
s2: (0.8320502943378438, 0.08050957329849848)

前面的0.866025和0.862050即为所要求的相关系数，具体用法参见：scipy.stats.pearsonr

3、欧式距离

        欧式距离，即欧几里得距离，这里的计算有三种方式：

        （1）已知vec1和vec2是两个Numpy array，即数组，使用numpy包计算：

import numpy

a = numpy.array([0, 0, 0, 1, 1, 1, 1])
b = numpy.arange(7)

dist = numpy.sqrt(numpy.sum(numpy.square(a - b)))

print(dist)

 dist: 7.681145747868608

        （2）也是使用numpy包，相对更加直接，代码如下：

import numpy

a = numpy.array([0, 0, 0, 1, 1, 1, 1])
b = numpy.arange(7)
dist = numpy.linalg.norm(a - b)

print("dist:", dist)

 dist: 7.681145747868608

        （3） 使用sklearn中的向量相似性的计算包，这个没有具体使用，就不贴代码了。