Python 超大数据集的余弦相似性

我在计算100维向量的大列表之间的余弦相似性时遇到问题。当我使用sklearn.metrics.pairwise import cosine_similarity中的

时，我会在我的16 GB机器上获得
MemoryError
。每个数组都非常适合我的内存，但是我在
np.dot（）
内部调用期间得到
MemoryError

下面是我的用例以及我目前如何处理它

这是我的100维父向量，我需要与其他50万个相同维的不同向量（即100）进行比较

下面是我的子向量（本例中有一些虚构的随机数）

我的最终目标是获得与父向量具有非常高的余弦相似性的前N个子向量（其名称如
child\u vector_1
及其相应的余弦分数）

我目前的方法（我知道它效率低下且占用内存）：

步骤1:创建以下形状的超级数据框

parent_vector         1,    2,    3, .....,    100   
child_vector_1        2,    3,    4, .....,    101   
child_vector_2        3,    4,    5, .....,    102   
child_vector_3        4,    5,    6, .....,    103   
......................................   
child_vector_500000   3,    4,    5, .....,    103

第2步：使用

from sklearn.metrics.pairwise import cosine_similarity
cosine_similarity(df)

获取所有向量之间的成对余弦相似性（如上图数据帧所示）

步骤3:制作一个元组列表，以存储
键
，如
子向量1
，以及所有此类组合的值，如余弦相似数

第4步：使用列表的
sort（）
获取top-N，这样我就可以得到子向量名以及它与父向量的余弦相似性分数

PS：我知道这是非常低效的，但我想不出更好的方法
快速计算每个子向量之间余弦相似性的方法
和父向量，并获得前N个值

非常感谢您的任何帮助。
即使您的（500000，100）数组（父数组及其子数组）适合存储
它上面的任何成对度量都不会。原因是，顾名思义，成对度量计算任意两个孩子的距离。为了存储这些距离，您需要一个（500000500000）大小的浮点数组，如果我的计算正确的话，它将占用大约100GB的内存

谢天谢地，你的问题有一个简单的解决办法。如果我理解正确的话，你只想知道孩子和父母之间的距离，这将导致一个长度为500000的向量，很容易存储在内存中

要做到这一点，您只需要为仅包含父向量的余弦相似性提供第二个参数

import pandas as pd
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

df = pd.DataFrame(np.random.rand(500000,100)) 
df['distances'] = cosine_similarity(df, df.iloc[0:1]) # Here I assume that the parent vector is stored as the first row in the dataframe, but you could also store it separately

n = 10 # or however many you want
n_largest = df['distances'].nlargest(n + 1) # this contains the parent itself as the most similar entry, hence n+1 to get n children

希望这能解决您的问题。
此解决方案速度极快

child_vectors = np.array(child_vector_1, child_vector_2, ....., child_vector_500000)
input_norm = parent_vector / np.linalg.norm(parent_vector, axis=-1)[:, np.newaxis]
embed_norm =  child_vectors/ np.linalg.norm(child_vectors, axis=-1)[:, np.newaxis]
cosine_similarities = np.sort(np.round(np.dot(input_norm, embed_norm.T), 3)[0])[::-1]
paiswise_distances = 1 - cosine_similarities

我甚至无法将整个语料库存储在内存中，因此我的解决方案是逐步加载它，并在较小的批次上计算余弦相似性，始终保留最少/最多的
n
（取决于您的用例）相似项：

data = []
iterations = 0
with open('/media/corpus.txt', 'r') as f:
    for line in f:
        data.append(line)
        if len(data) <= 1000:
            pass
        else:
            print('Getting bottom k, iteration {x}'.format(x=iterations))
            data = get_bottom_k(data, 500)
            iterations += 1
filtered = get_bottom_k(data, 500) # final most different 500 texts in corpus


def get_bottom_k(corpus:list, k:int):
    pairwise_similarity = make_similarity_matrix(corpus) # returns pairwise similarity matrix
    sums = csr_matrix.sum(pairwise_similarity, axis=1)  # Similarity index for each item in corpus. Bigger > more
    sums = np.squeeze(np.asarray(sums))
    # similar to other txt.
    indexes = np.argpartition(sums, k, axis=0)[:k] # Bottom k in terms of similarity (-k for top and [-k:])
    return [corpus[i] for i in indexes]

data=[]
迭代次数=0
将open（'/media/corpus.txt'，r'）作为f：
对于f中的行：
data.append（行）
如果len（数据）更多
总和=np.压缩（np.asarray（总和））
#与其他txt类似。
索引=np.argpartition（和，k，轴=0）[:k]#在相似性方面的底部k（-k表示顶部和[-k:]）
返回[索引中i的语料库[i]

到目前为止，这是一个最佳解决方案，但这是迄今为止我发现的最简单的解决方案，可能会对某些人有所帮助。
能否提供一些示例数据以供使用。此外，请提供小样本数据和所需输出的工作解决方案，以便so社区能够提出更有效的替代方案。@sgokhales，即使我面临同样的问题。你解决问题了吗？即使我面临同样的问题，我的数据帧的大小也是
（32593,12）
我需要计算所有对的余弦相似性，即32593*32593，它不适合内存。我该如何处理这种情况？你能提供一个时间估计吗？
child_vectors = np.array(child_vector_1, child_vector_2, ....., child_vector_500000)
input_norm = parent_vector / np.linalg.norm(parent_vector, axis=-1)[:, np.newaxis]
embed_norm =  child_vectors/ np.linalg.norm(child_vectors, axis=-1)[:, np.newaxis]
cosine_similarities = np.sort(np.round(np.dot(input_norm, embed_norm.T), 3)[0])[::-1]
paiswise_distances = 1 - cosine_similarities

data = []
iterations = 0
with open('/media/corpus.txt', 'r') as f:
    for line in f:
        data.append(line)
        if len(data) <= 1000:
            pass
        else:
            print('Getting bottom k, iteration {x}'.format(x=iterations))
            data = get_bottom_k(data, 500)
            iterations += 1
filtered = get_bottom_k(data, 500) # final most different 500 texts in corpus


def get_bottom_k(corpus:list, k:int):
    pairwise_similarity = make_similarity_matrix(corpus) # returns pairwise similarity matrix
    sums = csr_matrix.sum(pairwise_similarity, axis=1)  # Similarity index for each item in corpus. Bigger > more
    sums = np.squeeze(np.asarray(sums))
    # similar to other txt.
    indexes = np.argpartition(sums, k, axis=0)[:k] # Bottom k in terms of similarity (-k for top and [-k:])
    return [corpus[i] for i in indexes]