#python #pandas #numpy #sklearn-pandas #cosine-similarity
#python #pandas #numpy #sklearn-pandas #косинусное сходство
Вопрос:
Цель: я пытаюсь создать упорядоченный список элементов, которые ранжируются на основе того, насколько они близки к тестовому элементу.
У меня есть 1 тестовый элемент с 10 атрибутами и 250 000 элементов с 10 атрибутами. Мне нужен список, в котором ранжируются 250 000 элементов. Например, если результирующий список вернулся [10,50,21,11,10000 ….], то элемент с индексом 10 будет ближе всего к моему тестовому элементу, индекс 50 является вторым ближайшим к моему тестовому элементу и т.д.
То, что я пробовал, работает для небольших фреймов данных, но не для больших фреймов данных:
import pandas as pd
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
similarity_matrix = pd.np.random.rand(4,4)
#4 items with the first being the test
#0.727048 0.113704 0.886672 0.0345438
#0.496636 0.678949 0.0627973 0.547752
#0.641021 0.498811 0.628728 0.575058
#0.760778 0.955595 0.646792 0.126714
#creates the cosine similarity matrix
winner = cosine_similarity(similarity_matrix)
#I just need the first row, how similar each item is to the test, I'm excluding how similar the test is to the test
winner = np.argsort(winner[0:1,1:])
#I want to reverse the order and add one so the list matches the original index
winner = np.flip(winner) 1
К сожалению, с 250 000 я получаю следующую ошибку «Ошибка памяти: невозможно выделить 339. GiB для массива с формой (250000, 250000) и типом данных float64 «
Вместо создания матрицы 250000X250000 мне действительно нужна только первая строка. Есть ли другой способ сделать это?
Ответ №1:
Если вы вызываете cosine_similarity со вторым аргументом, он будет вычислять расстояние только по отношению ко второму массиву.
Пример со случайными векторами
x = np.random.rand(5,2)
С одним аргументом
cosine_similarity(x)
array([[1. , 0.95278802, 0.93496787, 0.45860786, 0.62841819],
[0.95278802, 1. , 0.99853581, 0.70677904, 0.8349406 ],
[0.93496787, 0.99853581, 1. , 0.74401257, 0.86348853],
[0.45860786, 0.70677904, 0.74401257, 1. , 0.979448 ],
[0.62841819, 0.8349406 , 0.86348853, 0.979448 , 1. ]])
С первым вектором в качестве второго аргумента
cosine_similarity(x, [x[0]])
array([[1. ],
[0.95278802],
[0.93496787],
[0.45860786],
[0.62841819]])
Если у вас все еще не хватает памяти, вы можете вычислить расстояние по частям
chunks = 4
np.concatenate(
[cosine_similarity(i, [x[0]]) for i in np.array_split(x, chunks)]
)
array([[1. ],
[0.95278802],
[0.93496787],
[0.45860786],
[0.62841819]])
Комментарии:
1. Ваш ответ сработал, когда я установил df в np.array. Для полноты последующего экспорта списка требуются следующие изменения:
winner = cosine_similarity(np_array,[np_array[0]])[1:,:] #take all elements except the first winner = winner[:,0].argsort(axis=0) #sort the index of the array winner = np.flip(winner) 1 #flip the sort order and add one to match the index
Ответ №2:
Вычислите расстояние строка за строкой, например.
test = np.array([[1, 2, 3]])
big_matrix = np.array([[1, 2, 3], [2, 3, 4]])
#calculate and concat all of them into one
result = np.array([cosine_similarity(test, row.reshape(1, -1)) for row in big_matrix]).reshape(-1, 1)
winner = np.argsort(result)
Комментарии:
1. Это кажется многообещающим, но возвращает ошибку «ValueError: ожидаемый 2D-массив, вместо этого получен 1D-массив: массив=[1. 2. 3.].»
2. Это не работает, результат равен 0 0, и в этом примере он должен быть равен 1 0. Я думаю, проблема в том, что тестовый массив должен быть добавлен к строке. Я не уверен, как это сделать в понимании списка, но по нескольким строкам это выглядело бы ближе к этому
array1 = np.array([[1, 2, 3]]) array2 = np.array([[1, 2, 3]]) array3 = np.append(array1,array2, axis=0) cosine_similarity(array3)[0,1]