Scikit learn 计算目标字符串与字符串列表之间余弦相似性的最佳方法-Python

我有一个目标字符串，比如说

target='apple'

，我有一个候选字符串列表，比如说

candidate\u list=['orange'、'banana'、'apple1'、'菠萝']

。我正在计算

目标

之间的余弦相似性，并使用以下代码迭代

候选列表

中的每个字符串

def calculate_cosine(c, h):
   vec = CountVectorizer()
   label_dictionary = vec.fit([c, h])
   c_vector = label_dictionary.transform([c]).toarray()
   h_vector = label_dictionary.transform([h]).toarray()

   cx = lambda curr, hist: round(
      numpy.inner(curr, hist) / numpy.LA.norm(curr) * numpy.LA.norm(hist), 3)

   return cx(c_vector, h_vector) 

我的问题是，有没有一种方法可以做到这一点，而不必在矩阵运算或类似矩阵运算的行上迭代

candidate\u list

。 我这样问是因为我当前的实现（在

候选列表上循环）对于我的应用程序来说不够快。
谢谢。
Scikit learn包含计算向量组之间余弦相似性的高效代码；它位于
sklearn.metrics.pairwise
子模块中

以下是解决问题的快速方法：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics import pairwise_kernels

candidate_list = ['orange', 'banana', 'apple1', 'pineapple']
target = 'apple'

vec = CountVectorizer(analyzer='char')
vec.fit(candidate_list)

pairwise_kernels(vec.transform([target]),
                 vec.transform(candidate_list),
                 metric='cosine')
# array([[ 0.3086067 ,  0.30304576,  0.93541435,  0.9166985 ]])

请注意，我使用了
CountVectorizer（analyzer='char'）
来计算字符而不是单词，因为它似乎更适合您的示例数据。
一个注意：您的余弦相似度计算不正确：您可能指的是
numpy.inner（curr，hist）/（numpy.LA.norm（curr）*numpy.LA.norm（hist））