cosine_similarity between 2 pandas df列得到余弦距离

Question

我有一个如下所示的数据框：

vector_a            vector_b
[1,2,3]             [2,5,6]
[0,2,1]             [2,9,1]
[4,7,1]             [1,7,4]

我想在列 vector_a 和 vector_b 之间执行 sklearn 的 cosine_similarity 以获得同一数据框中名为 'cosine_distance' 的新列。请注意 vector_a 和 vector_b 是 list.

的 pandas df 列

这是我尝试过的：

df['vector_a'] = df['vector_a'].apply(lambda x: np.asarray(x))
df['vector_b'] = df['vector_b'].apply(lambda x: np.asarray(x))
df['cosine_distance'] = cosine_similarity(df['vector_a'].apply(lambda x: np.transpose(x)), 
                                          df['vector_b'].apply(lambda x: np.transpose(x)))

我得到了这个错误：

---> 58         df['cosine_distance'] = cosine_similarity(df['vector_a'].apply(lambda x: np.transpose(x)), df['vector_b'].apply(lambda x: np.transpose(x)))

~\Anaconda3\lib\site-packages\sklearn\metrics\pairwise.py in cosine_similarity(X, Y, dense_output)
   1025     # to avoid recursive import
   1026 
-> 1027     X, Y = check_pairwise_arrays(X, Y)
   1028 
   1029     X_normalized = normalize(X, copy=True)

~\Anaconda3\lib\site-packages\sklearn\metrics\pairwise.py in check_pairwise_arrays(X, Y, precomputed, dtype)
    110     else:
    111         X = check_array(X, accept_sparse='csr', dtype=dtype,
--> 112                         estimator=estimator)
    113         Y = check_array(Y, accept_sparse='csr', dtype=dtype,
    114                         estimator=estimator)

~\Anaconda3\lib\site-packages\sklearn\utils\validation.py in check_array(array, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator)
    494             try:
    495                 warnings.simplefilter('error', ComplexWarning)
--> 496                 array = np.asarray(array, dtype=dtype, order=order)
    497             except ComplexWarning:
    498                 raise ValueError("Complex data not supported\n"

~\Anaconda3\lib\site-packages\numpy\core\numeric.py in asarray(a, dtype, order)
    536 
    537     """
--> 538     return array(a, dtype, copy=False, order=order)
    539 
    540 

ValueError: setting an array element with a sequence.

提前致谢！

Answer 1

TLDR：

df['cosine_similarity'] = df.apply(
    lambda row: cosine_similarity([row['vector_a']], [row['vector_b']])[0][0],
    axis=1)

解释：

cosine_similarity 需要 2D np.array 或列表列表。它不知道如何解释列表的 pd.Series。但是，即使我们确实将其转换为列表的列表，也会出现下一个问题：
cosine_similarity returns 完全相似。所以，让我们限制成对比较，人为地创建第二个维度（注意 [row['vector_a']], [row['vector_b']] 中额外的方括号），然后取 1x1 数组的唯一元素（cosine_similarity(...)[0][0] 末尾的零）

cosine_similarity between 2 pandas df列得到余弦距离

cosine_similarity between 2 pandas df column to get cosine distance

python

pandas

cosine-similarity

scikit-learn