比较两个向量的相似性-python

参考：

https://blog.csdn.net/u011412768/article/details/86714540

1、余弦相似性（cosine）

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)

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)

3、皮尔森相关系数（pearson）

参考：scipy.stats.pearsonr — SciPy v1.9.3 Manual

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)

 4、欧式距离

      欧式距离，即欧几里得距离：

（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)

（2）

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)