我有2个(n_samples, n_dimensions)的ndarrays，我想要每对对应的行，所以输出将是(n_samples, )
使用sklearn's implementation得到(n_samples, n_samples)结果-显然进行了许多不相关的计算，这在我的情况下是不可接受的。
使用1 - scipy's implementation是不可能的，因为它需要向量而不是矩阵。
执行所需的最有效方法是什么？
最佳答案
假设两个数组x和y具有相同的形状，
使用np.einsum（reference）计算逐元素点积
为x和y的每一行计算L2（欧几里德）范数的乘积
将结果从（1）除以（2）
def matrix_cosine(x, y):
return np.einsum('ij,ij->i', x, y) / (
np.linalg.norm(x, axis=1) * np.linalg.norm(y, axis=1)
)
和一些测试代码；
x = np.random.randn(100000, 100)
%timeit matrix_cosine(x, x)
82.8 ms ± 2.94 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
assert np.allclose(matrix_cosine(x, x), np.ones(x.shape[0]))
关于python - numpy ndarrays中匹配行之间的余弦相似度，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/49218285/