Scipy余弦相似度与sklearn余弦相似度

Posted 2023-03-12

【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