Python——余弦相似性

### 如何在Python中创建和操作相似性矩阵 #### 使用NumPy创建自定义函数来构建相似性矩阵 为了创建一个相似性矩阵，在`numpy`中可以利用广播机制和矢量化运算提高效率。对于两个集合A和B之间的相似度计算，可以通过编写特定的相似性度量函数并将其应用于所有成对组合。 ```python import numpy as np def custom_similarity(a, b): """这是一个简单的例子函数用于说明""" return np.dot(a, b.T) data_points = np.random.rand(5, 3) # 假设有五个三维数据点 similarity_matrix = custom_similarity(data_points, data_points) print(similarity_matrix) ``` 此代码片段展示了如何定义自己的相似性测量逻辑，并通过调用该函数生成整个矩阵[^1]。 #### 利用SciKit-Learn库简化过程 当涉及到更复杂的距离度量时，比如余弦相似度，可以直接借助于成熟的机器学习框架如scikit-learn： ```python from sklearn.metrics.pairwise import cosine_similarity cosine_sim_mat = cosine_similarity(data_points) print(cosine_sim_mat) ``` 这段脚本使用了内置的方法轻松实现了基于余弦角度差异的数据间关系评估[^4]。 #### 构建基于网络结构的相似性衡量——杰卡德指数案例 针对图论领域内的对象关联分析，则可能需要考虑拓扑特性而非单纯数值特征。下面给出了一种方法来计算给定无向图G内各顶点间的Jaccard系数作为其连通程度的一种表征方式[^3]: ```python import networkx as nx # 定义辅助功能以获取共同邻居数量 def common_neighbors(g, u, v): return set(nx.neighbors(g, u)).intersection(set(nx.neighbors(g, v))) # 计算每一对节点之间的杰卡德相似性 jaccard_sims = [] for i in range(len(nodes)): row = [] for j in range(len(nodes)): cn_count = len(common_neighbors(G, nodes[i], nodes[j])) union_size = min([len(list(nx.neighbors(G, n))) + 1 for n in [nodes[i], nodes[j]]]) - cn_count sim = float(cn_count)/union_size if union_size != 0 else 0. row.append(sim) jaccard_sims.append(row) adj_matrix_jaccard = np.array(jaccard_sims) print("杰卡德相似性矩阵:") print(adj_matrix_jaccard) ``` 上述程序段落具体化了一个场景下怎样依据实际需求定制适合自身的算法流程.