Scipy Cosin similitude

Le calcul statistique et mathématique à Python est devenu très facile et simple en raison de la bibliothèque Scipy. Il nous fournit autant de fonctions utiles à utiliser pour le calcul mathématique et statistique. Toute fonction peut être effectuée automatiquement avec les fonctions et méthodes fournies dans la bibliothèque SCIPY, à partir de calculer des sommes simples à des écarts-types compliqués. Nous avons conçu cet article pour expliquer comment obtenir la similitude du cosinus dans un programme Python. Nous visons à expliquer la fonction cosinus de la bibliothèque Scipy dans ce guide.

Qu'est-ce que la similitude du cosinus?

En général, la similitude en cosinus est la mesure de la similitude entre deux ensembles de données. De même, la similitude des cosinus dans l'analyse des données est la mesure de la similitude entre deux séquences de données données. Ici, la séquence de données est considérée comme un vecteur. Pour calculer la similitude des cosinus, nous avons la formule suivante:

Maintenant, apprenons à calculer la similitude des cosinus entre deux vecteurs en utilisant cette formule dans un programme Python. Nous expliquerons comment utiliser la même formule dans un programme Python à l'aide d'un exemple. Ensuite, nous allons passer à l'utilisation de la fonction cosinus qui effectue automatiquement tous les calculs de la formule dans le backend.

Exemple 1:

Tout d'abord, nous devons comprendre comment la similitude du cosinus est calculée afin que nous sachions exactement comment fonctionne la fonction de cosinus de la bibliothèque Scipy. Considérez l'exemple d'exemple suivant pour comprendre comment calculer la formule de similitude cosinus dans un programme Python. Voir l'exemple de code suivant:

Importer Numpy comme NP
de Numpy.Norme d'importation de Linalg
vector1 = np.tableau ([2, 1, 2, 1, 2, 1])
vector2 = np.Array ([4, 5, 3, 2, 6, 7])
pro = np.dot (vector1, vector2)
NORMAL = (NORM (VECTOR1) * NORM (VECTOR2))
cosim = pro / normal
Print ("Cosinement similitude:", Cosim)

Tout d'abord, nous devons importer toutes les bibliothèques requises pour utiliser les fonctions qui leur sont associées. Ainsi, la bibliothèque Numpy est importée en NP dans le programme. Le Numpy.Le package Linalg est également importé pour utiliser la fonction norme. Les deux tableaux sont déclarés trouver la similitude du cosinus entre eux. Le produit des deux tableaux est pris à l'aide de la fonction dot (). Pour trouver la norme du tableau créé, la fonction norme () est mise au travail.

Le calcul de la racine carrée de la somme des carrés des données fournies donne la norme. Le produit des normes des deux tableaux est pris. Ensuite, le produit du tableau est divisé par lui. Puisque nous savons que la formule pour trouver la similitude du cosinus est cos (x, y) = (x * y) / (|| x || * || y ||), il en va de même pour les fonctions intégrées Python. Maintenant, voyons la similitude du cosinus calculé dans l'illustration suivante:

Maintenant que nous avons compris comment calculer manuellement la similitude cosinus à la fois par formule et les fonctions Python, apprenons et comprenons comment calculer automatiquement la similitude cosinus en utilisant la fonction cosinus intégrée de la bibliothèque Scipy. Voir la syntaxe suivante de la fonction cosinus:

La fonction de cosinus prend deux réseaux d'entrée utilisés pour trouver la similitude en cosinus et un tableau facultatif de poids dans lesquels pèse chaque valeur dans les 2 tableaux d'entrée. Le tableau de poids est facultatif, et sa valeur par défaut n'est pas. Il en résulte de donner 1 poids à chaque valeur dans les tableaux d'entrée. La fonction cosinus renvoie la similitude du cosinus entre les deux réseaux d'entrée ou vecteurs donnés. Maintenant, comprenons tout cela avec l'aide d'exemples.

Exemple 2:

Dans cet exemple, nous utiliserons la fonction cosinus de la bibliothèque Scipy pour calculer automatiquement la similitude des cosinus entre les données données. Voyons comment utiliser la fonction dans un programme Python. Considérez l'exemple de code suivant:

Importer Numpy comme NP
de Scipy.Distance d'importation spatiale
vector1 = np.tableau ([2, 1, 2, 1, 2, 1])
vector2 = np.Array ([4, 5, 3, 2, 6, 7])
cosim = distance.cosinus (Vector1, Vector2)
Print ("Cosinement similitude:", Cosim)

Deux bibliothèques sont importées dans le programme, Numpy et Scipy. La variable NP représente la bibliothèque Numpy tout au long du programme et la bibliothèque Scipy est importée pour appeler le package spatial et sa méthode de distance dans le programme car nous utilisons la fonction cosinus dans notre programme. La classe de distance fournit la fonction cosinus, nous devons donc appeler la fonction cosinus de la classe de distance. Les mêmes données d'entrée que dans le premier exemple sont utilisées. Les deux tableaux sont transmis à la fonction cosinus et sont affichés à l'écran à l'aide de la commande d'impression. Maintenant, voyons la sortie suivante:

Exemple 3:

Maintenant, fournissons des données complexes pour la fonction cosinus. Comme nous l'avons vu, la fonction cosinus calcule parfaitement la similitude du cosinus rapidement. Testons la fonction avec des données grandes et complexes. Tout d'abord, nous n'utilisons qu'un tableau normal. Fournissons les tableaux multidimensionnels dans cet exemple afin que nous puissions mieux comprendre le fonctionnement de la fonction cosinus. Considérez l'exemple de code suivant:

Importer Numpy comme NP
de Scipy.Distance d'importation spatiale
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 = distance.cosinus (Vector1, Vector2)
Print ("Cosinement similitude:", Cosim)

Ici, vous pouvez voir que nous avons fourni les tableaux multidimensionnels et transmis ces tableaux à la fonction cosinus. Maintenant, voyons quel résultat produit la fonction cosinus. Voir le résultat suivant:

Comme vous pouvez le voir, le compilateur a soulevé la valeururror de valeur qui indique que les données d'entrée doivent être 1-D. Puisque nous avons donné les données multidimensionnelles de réseau, la fonction de cosinus a rejeté les données d'entrée car elle ne calcule pas la similitude cosinus sur les tableaux multidimensionnels. Il ne prend qu'un réseau d'entrée unidimensionnel. Ainsi, pour éviter l'exception de ValueError, nous devons nous assurer que les données d'entrée doivent être sous forme 1D.

Conclusion

Nous avons eu un aperçu rapide de la fonction de similitude Scipy Cosin. Tout d'abord, nous avons appris quelle est la similitude du cosinus et comprendre la formule pour calculer la similitude du cosinus en démontrant un exemple. Après cela, nous avons appris ce qui est la similitude du cosinus Scipy et exploré quelques exemples pour savoir comment les fonctions du cosinus de la bibliothèque Scipy calcule automatiquement la similitude du cosinus entre les données données. Nous avons également appris que la fonction cosinus ne prend que des données 1-D en entrée. Dans le cas des tableaux multidimensionnels, il lance une exception ValueError.