Python 2.7 从tf idf计算余弦相似性

在数据帧

df

中，我有一列

tf-idf

：

       tf-idf
0      {u'selection': 3.83579393163, u'carltons': 7.0...
1      {u'precise': 6.43261849762, u'thomas': 3.31980...
2      {u'just': 2.70047792082, u'issued': 4.42829758...
3      {u'englishreading': 9.88788310056, u'all': 1.6...
4      {u'they': 1.89922701484, u'gangstergenka': 10....
5      {u'since': 1.45530416153, u'less': 3.956522477...
6      {u'exclusive': 10.4488880129, u'producer': 2.6...
7      {u'taxi': 6.04485296662, u'all': 1.64302370465...
8      {u'houston': 3.93463976627, u'frankie': 6.0306...
9      {u'phenomenon': 5.74474837417, u'deborash': 10...
10     {u'zwigoff': 19.7757662011, u'september': 1.90...
11     {u'gospels': 7.9419729515, u'theft': 6.0028887... `

---

我正在努力寻找两个样本之间的

余弦相似性

，例如

df['tf-idf'][0]

和

df['tf-idf'][1]

您可以使用scikit学习：

from sklearn.feature_extraction import DictVectorizer
from sklearn.metrics.pairwise import cosine_similarity

a = DictVectorizer().fit_transform(df['tf-idf'])
cosine_similarity(a[0], a[1])

---

@钦坦人，很高兴听到！没有

.tolist（）

，它还能用吗？还有一个问题。如果有50000个样本，即

df.shape[0]=50000

是否有更快的方法获得相似性矩阵（无需运行两个for循环）？请尝试

cosine\u相似性（a）

。它应该返回所有成对的相似性。好的…让我试试。。。谢谢是的，这是一个CPU和内存密集型操作。尝试检查您是否正在进行ram交换，因为这会使一切变慢。