Python 3.x 如何使用apply轻松更改tf idf相似性数据帧

我正在使用Python 3。
我正在做TF_IDF，我记录了80%以上的结果。
但这太慢了。因为形状是51336 x 51336。
如何在不使用for语句的情况下更快地创建数据帧。
现在需要50分钟。
我想制作一个这样的数据帧

[列0]，[列1]，[相似性]
索引[0]，列[0]，值
索引[0]，列[1]，值
索引[0]，列[2]，值
..
索引[100]，列[51334]，值
索引[100]，列[51335]，值
索引[100]，列[51336]，值
…
索引[51336]，列[51335]，值
索引[51336]，列[51336]，值

cosine\u sim=线性核（tfidf\u矩阵，tfidf\u矩阵）
index=pd.Series（df.index，index=df['index\u name']）
tfidf_矩阵=tf.fit_变换（df['text']）
相似性=pd.DataFrame（列=['a'，'b'，'similarity']）
对于范围内的n（len（余弦_-sim））：
对于列表中的i（枚举（余弦sim[n]）：
如果i[1]>0.8且i[1]<0.99：
相似性=相似性.append（{'column_0'：index.index[n]，'column_1'：index.index[i[0]]，'similarity'：i[1]}，忽略_index=True）

如果您想到并行化作业，不幸的是，没有办法并行化/分发对这些向量器所需词汇表的访问。 因此，你选择了另一种黑客。通过使用哈希向量器。 为此，scikit文档提供了一个使用此矢量器成批训练分类器的示例。

希望这对你有帮助

cosine_sim = linear_kernel(tfidf_matrix, tfidf_matrix)
indices = pd.Series(df.index, index=df['index_name'])
tfidf_matrix = tf.fit_transform(df['text'])
similarity = pd.DataFrame(columns=['a', 'b', 'similarity'])

for n in range(len(cosine_sim)):
    for i in list(enumerate(cosine_sim[n])):
        if i[1] > 0.8 and i[1] < 0.99:
            similarity = similarity.append({'column_0': indices.index[n],'column_1': indices.index[i[0]],'similarity': i[1]},ignore_index=True)