Smipy Siglianza del coseno

Il calcolo statistico e matematico in Python è diventato molto facile e semplice a causa della biblioteca di Scipy. Ci fornisce così tante funzioni utili da utilizzare per il calcolo matematico e statistico. Qualsiasi funzione può essere eseguita automaticamente con le funzioni e i metodi forniti nella libreria Scipy, a partire dal calcolo di somme semplici a deviazioni standard complicate. Abbiamo progettato questo articolo per spiegare come ottenere la somiglianza del coseno in un programma Python. Miriamo a spiegare la funzione del coseno della libreria Scipy in questa guida.

Cos'è la somiglianza del coseno?

In generale, la somiglianza del coseno è la misura della somiglianza tra due set di dati. Allo stesso modo, la somiglianza del coseno nell'analisi dei dati è la misura della somiglianza tra due sequenze di dati fornite. Qui, la sequenza dei dati è considerata un vettore. Per calcolare la somiglianza del coseno, abbiamo la seguente formula:

Ora, impariamo a calcolare la somiglianza del coseno tra due vettori usando questa formula in un programma Python. Spiegheremo come usare la stessa formula in un programma Python con l'aiuto di un esempio. Quindi, andremo avanti all'utilizzo della funzione del coseno che esegue automaticamente tutti i calcoli della formula nel backend.

Esempio 1:

Innanzitutto, dobbiamo capire come viene calcolata la somiglianza del coseno in modo da sapere esattamente come funziona la funzione del coseno della libreria di Scipy. Considera il seguente esempio di esempio per capire come calcolare la formula di somiglianza del coseno in un programma Python. Vedere il seguente codice di esempio:

Importa Numpy come NP
da Numpy.Linalg Norm di importazione
vector1 = np.Array ([2, 1, 2, 1, 2, 1])
vector2 = np.Array ([4, 5, 3, 2, 6, 7])
pro = np.Dot (Vector1, Vector2)
normale = (norm (vector1)*norm (vector2))
cosim = pro/normale
Print ("Somiglianza del coseno:", Cosim)

Innanzitutto, dobbiamo importare tutte le librerie richieste per utilizzare le funzioni ad esse associate. Quindi, la libreria Numpy viene importata come NP nel programma. Il numpy.Il pacchetto Linalg viene inoltre importato per utilizzare la funzione Norm. I due array sono dichiarati per trovare la somiglianza del coseno tra loro. Il prodotto di entrambi gli array viene assunto utilizzando la funzione dot (). Per trovare la norma dell'array creato, la funzione norm () viene messa al lavoro.

Calcolo della radice quadrata della somma dei quadrati dei dati forniti produce la norma. Vengono presi il prodotto delle norme di entrambi gli array. Quindi, il prodotto dell'array è diviso. Dal momento che sappiamo che la formula per trovare la somiglianza del coseno è cos (x, y) = (x * y) / (|| x || * || y ||), lo stesso viene calcolato con le funzioni integrate di Python. Ora, vediamo la somiglianza del coseno calcolata nella seguente illustrazione:

Ora che abbiamo capito come calcolare manualmente la somiglianza del coseno sia per la formula che per le funzioni di Python, apprendiamo e comprendiamo come calcolare automaticamente la somiglianza del coseno utilizzando la funzione del coseno incorporato della libreria Scipy. Vedere la seguente sintassi della funzione del coseno:

La funzione del coseno prende due array di input che utilizzavano la somiglianza del coseno e un array opzionale di pesi in cui i pesi ogni valore nei 2 array di input. L'array di peso è facoltativo e il suo valore predefinito è nessuno. Ciò si traduce nel dare 1 peso a ciascun valore negli array di input. La funzione del coseno restituisce la somiglianza del coseno tra i due array di input o i vettori. Ora, facci capire tutto questo con l'aiuto di esempi.

Esempio 2:

In questo esempio, useremo la funzione del coseno dalla libreria Scipy per calcolare la somiglianza del coseno tra dati dati automaticamente. Vediamo come utilizzare la funzione in un programma Python. Considera il seguente codice di esempio:

Importa Numpy come NP
da Scipy.distanza di importazione spaziale
vector1 = np.Array ([2, 1, 2, 1, 2, 1])
vector2 = np.Array ([4, 5, 3, 2, 6, 7])
cosim = distanza.Cosino (Vector1, Vector2)
Print ("Somiglianza del coseno:", Cosim)

Due biblioteche vengono importate nel programma, Numpy e Scipy. La variabile NP rappresenta la libreria Numpy in tutto il programma e la libreria Scipy viene importata per chiamare il pacchetto spaziale e il suo metodo di distanza nel programma mentre utilizziamo la funzione del coseno nel nostro programma. La classe di distanza fornisce la funzione del coseno, quindi dobbiamo chiamare la funzione del coseno dalla classe di distanza. Vengono utilizzati gli stessi dati di input del primo esempio. Entrambi gli array vengono passati alla funzione del coseno e sono mostrati sullo schermo usando il comando di stampa. Ora, vediamo il seguente output:

Esempio 3:

Ora, forniamo alcuni dati complessi per la funzione del coseno. Come abbiamo visto, la funzione del coseno calcola perfettamente la somiglianza del coseno rapidamente. Proviamo la funzione con dati grandi e complessi. Innanzitutto, usiamo solo un array normale. Forniamo le matrici multidimensionali in questo esempio in modo da poter capire meglio il funzionamento della funzione del coseno. Considera il seguente codice di esempio:

Importa Numpy come NP
da Scipy.distanza di importazione spaziale
vector1 = np.Array ([[2, 1, 2], [1, 2, 1], [3, 3, 3]])
vector2 = np.Array ([[4, 5, 3], [2, 6, 7], [9, 7, 8]])
cosim = distanza.Cosino (Vector1, Vector2)
Print ("Somiglianza del coseno:", Cosim)

Qui, puoi vedere che abbiamo fornito gli array multidimensionali e abbiamo passato quegli array alla funzione del coseno. Ora vediamo quale risultato produce la funzione del coseno. Vedi il seguente risultato:

Come puoi vedere, il compilatore ha aumentato il valorerror che indica che i dati di input devono essere 1-D. Poiché abbiamo fornito i dati dell'array multidimensionale, la funzione del coseno ha respinto i dati di input in quanto non calcola la somiglianza del coseno su array multidimensionali. Ci vuole solo un array di input unidimensionale. Quindi, per evitare l'eccezione di ValueRror, dobbiamo assicurarci che i dati di input debbano essere in forma 1-D.

Conclusione

Abbiamo avuto una rapida panoramica della funzione di somiglianza del coseno Scipy. Innanzitutto, abbiamo imparato cos'è la somiglianza del coseno e comprendiamo la formula per calcolare la somiglianza del coseno dimostrando un esempio. Successivamente, abbiamo appreso cosa è la somiglianza del coseno di Scipy ed esplorato alcuni esempi per imparare come le funzioni del coseno dalla libreria di Scipy calcola automaticamente la somiglianza del coseno tra i dati indicati. Abbiamo anche appreso che la funzione del coseno prende solo i dati 1-D come input. Nel caso di array multidimensionali, lancia un'eccezione ValueRror.