Scipy Cosinus Ähnlichkeit

Die statistische und mathematische Berechnung in Python ist aufgrund der Scipy -Bibliothek sehr einfach und einfach geworden. Es bietet uns so viele nützliche Funktionen, die für mathematische und statistische Berechnungen verwendet werden können. Jede Funktion kann automatisch mit den Funktionen und Methoden in der Scipy -Bibliothek ausgeführt werden, beginnend von der Berechnung einfacher Summen zu komplizierten Standardabweichungen. Wir haben diesen Artikel entwickelt, um zu erklären, wie die Ähnlichkeit der Cosinus in einem Python -Programm erhältlich ist. Wir wollen die Cosinusfunktion der Scipy -Bibliothek in diesem Handbuch erklären.

Was ist die Ähnlichkeit der Kosinus?

Im Allgemeinen ist die Ähnlichkeit der Cosinus das Maß für die Ähnlichkeit zwischen zwei Datensätzen. In ähnlicher Weise ist die Kosinus -Ähnlichkeit in der Datenanalyse das Maß für die Ähnlichkeit zwischen zwei gegebenen Datensequenzen. Hier wird die Datensequenz als Vektor angesehen. Um die Ähnlichkeit der Cosinus zu berechnen, haben wir die folgende Formel:

Lassen Sie uns nun lernen, wie Sie die Cosinus -Ähnlichkeit zwischen zwei Vektoren mit dieser Formel in einem Python -Programm berechnen können. Wir werden erklären, wie die gleiche Formel in einem Python -Programm mit Hilfe eines Beispiels verwendet werden. Anschließend werden wir die Verwendung der Cosinusfunktion vorantreiben, die automatisch alle Berechnungen der Formel im Backend durchführt.

Beispiel 1:

Zunächst müssen wir verstehen, wie die Ähnlichkeit der Kosinus berechnet wird, damit wir genau wissen, wie die Cosinusfunktion der Scipy -Bibliothek funktioniert. Betrachten Sie das folgende Beispielbeispiel als Verständnis dafür, wie die Kosinus -Ähnlichkeitsformel in einem Python -Programm berechnet werden kann. Siehe den folgenden Beispielcode:

Numph als NP importieren
von Numpy.Linalg Importnorm
vector1 = np.Array ([2, 1, 2, 1, 2, 1])
vector2 = np.Array ([4, 5, 3, 2, 6, 7])
pro = np.DOT (Vector1, Vector2)
Normal = (Norm (Vektor1)*Norm (Vektor2))
Cosim = Pro/Normal
print ("Cosinus -Ähnlichkeit:", Cosim)

Zunächst müssen wir alle erforderlichen Bibliotheken importieren, um die damit verbundenen Funktionen zu verwenden. Die Numpy -Bibliothek wird also im Programm als NP importiert. Der Numpy.Das Linalg -Paket wird ebenfalls importiert, um die Normfunktion zu verwenden. Die beiden Arrays werden deklariert, um die Cosinus -Ähnlichkeit zwischen ihnen zu finden. Das Produkt beider Arrays wird unter Verwendung der DOT () -Funktion eingenommen. Um die Norm des erstellten Arrays zu finden, wird die Norm () -Funktion zum Laufen gebracht.

Berechnung der Quadratwurzel der Summe der Quadrate der bereitgestellten Daten ergibt die Norm. Das Produkt der Normen beider Arrays wird genommen. Dann wird das Produkt des Arrays dadurch geteilt. Da wir wissen, dass die Formel zur Ermittlung der Kosinus-Ähnlichkeit cos (x, y) = (x * y) / (|| x || * || y ||) ist, wird das gleiche mit den integrierten Python-integrierten Funktionen berechnet. Lassen Sie uns nun die berechnete Cosinus -Ähnlichkeit in der folgenden Abbildung sehen:

Nachdem wir nun verstanden haben, wie die Ähnlichkeit der Cosinus sowohl nach Formel- als auch durch Python-Funktionen manuell berechnet werden kann, lassen Sie uns lernen und verstehen. Siehe die folgende Syntax der Cosinusfunktion:

Die Kosinusfunktion nimmt zwei Eingangsarrays an, mit denen die Kosinus -Ähnlichkeit und ein optionales Array von Gewichten ermittelt wurden, in denen Gewichte in den 2 Eingangsarrays gewichtet werden. Das Gewichtsarray ist optional und sein Standardwert ist keine. Dies führt dazu, dass jeder Wert in den Eingangsarrays 1 Gewicht verleiht. Die Kosinusfunktion gibt die Kosinus -Ähnlichkeit zwischen den gegebenen zwei Eingangsarrays oder Vektoren zurück. Lassen Sie uns das alles mit Hilfe von Beispielen verstehen.

Beispiel 2:

In diesem Beispiel werden wir die Cosinusfunktion aus der Scipy -Bibliothek verwenden, um die Kosinus -Ähnlichkeit zwischen angegebenen Daten automatisch zu berechnen. Lassen Sie uns sehen, wie die Funktion in einem Python -Programm verwendet wird. Betrachten Sie den folgenden Beispielcode:

Numph als NP importieren
von Scipy.räumliche Importentfernung
vector1 = np.Array ([2, 1, 2, 1, 2, 1])
vector2 = np.Array ([4, 5, 3, 2, 6, 7])
Cosim = Entfernung.Cosinus (Vector1, Vector2)
print ("Cosinus -Ähnlichkeit:", Cosim)

Zwei Bibliotheken werden in das Programm importiert, Numpy und Scipy. Die NP -Variable repräsentiert die Numpy -Bibliothek während des gesamten Programms und die Scipy -Bibliothek wird importiert, um das Raumpaket und seine Distanzmethode in das Programm aufzurufen, während wir die Cosinus -Funktion in unserem Programm verwenden. Die Distanzklasse liefert die Cosinus -Funktion, sodass wir die Cosinus -Funktion aus der Distanzklasse aufrufen müssen. Die gleichen Eingabedaten wie im ersten Beispiel werden verwendet. Beide Arrays werden an die Cosinus -Funktion übergeben und mit dem Befehl Print auf dem Bildschirm angezeigt. Lassen Sie uns nun die folgende Ausgabe sehen:

Beispiel 3:

Lassen Sie uns nun einige komplexe Daten für die Cosinus -Funktion angeben. Wie wir gesehen haben, berechnet die Cosinusfunktion die Kosinusähnlichkeit perfekt. Testen wir die Funktion mit großen und komplexen Daten. Erstens verwenden wir nur ein normales Array. Lassen Sie uns die mehrdimensionalen Arrays in diesem Beispiel bereitstellen, damit wir die Arbeit der Cosinusfunktion besser verstehen können. Betrachten Sie den folgenden Beispielcode:

Numph als NP importieren
von Scipy.räumliche Importentfernung
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 = Entfernung.Cosinus (Vector1, Vector2)
print ("Cosinus -Ähnlichkeit:", Cosim)

Hier können Sie sehen, dass wir die mehrdimensionalen Arrays zur Verfügung gestellt und diese Arrays an die Cosinusfunktion übergeben haben. Lassen Sie uns nun sehen, welches Ergebnis die Cosinusfunktion erzeugt. Siehe das folgende Ergebnis:

Wie Sie sehen können, hat der Compiler den ValueError erhöht, was angibt, dass die Eingabedaten 1-D sein müssen. Da wir die mehrdimensionalen Array-Daten gegeben haben. Es braucht nur ein eindimensionales Eingangsarray. Um die ValueError-Ausnahme zu vermeiden, müssen wir sicherstellen, dass die Eingabedaten in 1-D-Form erfolgen sollten.

Abschluss

Wir hatten einen kurzen Überblick über die Funktion der Scipy Cosinus -Ähnlichkeitsfunktion. Zunächst haben wir gelernt, was Cosinus -Ähnlichkeit ist, und verstehen die Formel für die Berechnung der Kosinus -Ähnlichkeit, indem wir ein Beispiel demonstrieren. Danach haben wir gelernt, was eine Scipy Cosinus -Ähnlichkeit ist, und einige Beispiele untersucht, um zu erfahren. Wir haben auch erfahren, dass die Cosinusfunktion nur 1-D-Daten als Eingabe nimmt. Im Falle von mehrdimensionalen Arrays macht es eine ValueError-Ausnahme aus.