Scipy余弦相似度与sklearn余弦相似度
Posted
技术标签:
【中文标题】Scipy余弦相似度与sklearn余弦相似度【英文标题】:Scipy cosine similarity vs sklearn cosine similarity 【发布时间】:2020-08-12 20:46:38 【问题描述】:我注意到scipy
和sklearn
都具有余弦相似度/余弦距离函数。我想测试每个向量对的速度:
setup1 = "import numpy as np; arrs1 = [np.random.rand(400) for _ in range(60)];arrs2 = [np.random.rand(400) for _ in range(60)]"
setup2 = "import numpy as np; arrs1 = [np.random.rand(400) for _ in range(60)];arrs2 = [np.random.rand(400) for _ in range(60)]"
import1 = "from sklearn.metrics.pairwise import cosine_similarity"
stmt1 = "[float(cosine_similarity(arr1.reshape(1,-1), arr2.reshape(1,-1))) for arr1, arr2 in zip(arrs1, arrs2)]"
import2 = "from scipy.spatial.distance import cosine"
stmt2 = "[float(1 - cosine(arr1, arr2)) for arr1, arr2 in zip(arrs1, arrs2)]"
import timeit
print("sklearn: ", timeit.timeit(stmt1, setup=import1 + ";" + setup1, number=1000))
print("scipy: ", timeit.timeit(stmt2, setup=import2 + ";" + setup2, number=1000))
sklearn: 11.072769448000145
scipy: 1.9755544730005568
sklearn
的运行速度几乎比scipy
慢 10 倍(即使您删除了 sklearn 示例的数组 reshape 并生成了已经处于正确形状的数据)。为什么一个明显比另一个慢?
【问题讨论】:
我不熟悉sklearn
或scipy
的内部工作;但是,除了您在一个实验中而不是在另一个实验中重塑数组这一事实之外,我认为这不是一个公平的比较,因为cosine_similarity
计算两个输入数组中所有样本的成对余弦距离(尽管您正在对一个样本的数组调用它),但scipy
中的cosine
函数仅适用于一维数组,因此可能有更有效的实现。
@today 即使您摆脱了数组整形(使用np.random.rand(1, 400)
而不是np.random.rand(400)
创建数组以防止整形),sklearn 仍然较慢。我怀疑 sklearn 是为二维数组设计的这一事实可能与它有关,但性能差异仍然很大。
【参考方案1】:
如 cmets 部分所述,我认为比较不公平,主要是因为 sklearn.metrics.pairwise.cosine_similarity
旨在比较给定输入二维数组中样本的成对距离/相似性。另一方面,scipy.spatial.distance.cosine
旨在计算两个一维数组的余弦距离。
也许更公平的比较是使用scipy.spatial.distance.cdist
与sklearn.metrics.pairwise.cosine_similarity
,两者都计算给定数组中样本的成对距离。然而,令我惊讶的是,这表明 sklearn 实现比 scipy 实现快得多(我目前对此没有解释!)。这是实验:
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
from scipy.spatial.distance import cdist
x = np.random.rand(1000,1000)
y = np.random.rand(1000,1000)
def sklearn_cosine():
return cosine_similarity(x, y)
def scipy_cosine():
return 1. - cdist(x, y, 'cosine')
# Make sure their result is the same.
assert np.allclose(sklearn_cosine(), scipy_cosine())
这是计时结果:
%timeit sklearn_cosine()
10 loops, best of 3: 74 ms per loop
%timeit scipy_cosine()
1 loop, best of 3: 752 ms per loop
【讨论】:
以上是关于Scipy余弦相似度与sklearn余弦相似度的主要内容,如果未能解决你的问题,请参考以下文章