Scipy kosinus likhet

Statistisk og matematisk beregning i Python har blitt veldig enkel og enkel på grunn av Scipy -biblioteket. Det gir oss så mange nyttige funksjoner som skal brukes til matematisk og statistisk beregning. Enhver funksjon kan automatisk utføres med funksjonene og metodene som er gitt i Scipy -biblioteket, fra og med å beregne enkle summer til kompliserte standardavvik. Vi designet denne artikkelen for å forklare hvordan du får kosinus likhet i et Python -program. Vi tar sikte på å forklare kosinusfunksjonen til Scipy -biblioteket i denne guiden.

Hva er kosinus likhet?

Generelt er kosinus likhet målet på likheten mellom to datasett. Tilsvarende er den kosinuslikheten i dataanalyse målet for likhet mellom to gitte datasekvenser. Her regnes datasekvensen som en vektor. For å beregne kosinuslikheten, har vi følgende formel:

La oss nå lære å beregne kosinuslikheten mellom to vektorer ved å bruke denne formelen i et Python -program. Vi vil forklare hvordan du bruker den samme formelen i et Python -program ved hjelp av et eksempel. Deretter vil vi gå videre til å bruke kosinusfunksjonen som automatisk utfører alle beregningene av formelen i backend.

Eksempel 1:

For det første må vi forstå hvordan kosinuslikheten beregnes slik at vi vet nøyaktig hvordan kosinusfunksjonen til Scipy -biblioteket fungerer. Tenk på følgende prøveeksempel for å ha en forståelse av hvordan du beregner den kosinske likhetsformelen i et Python -program. Se følgende prøvekode:

Importer numpy som NP
Fra Numpy.Lining importnorm
Vector1 = NP.Array ([2, 1, 2, 1, 2, 1])
vektor2 = np.Array ([4, 5, 3, 2, 6, 7])
Pro = NP.DOT (Vector1, Vector2)
Normal = (Norm (Vector1)*Norm (Vector2))
cosim = pro/normal
Print ("Cosine Likhet:", Cosim)

Først må vi importere alle nødvendige biblioteker for å bruke funksjonene som er tilknyttet dem. Så det numpy biblioteket importeres som NP i programmet. Numpy.Lining -pakken importeres også for å bruke normfunksjonen. De to matriser er erklært å finne den kosinuslikheten mellom dem. Produktet av begge matriser blir tatt med dot () -funksjonen. For å finne normen for den opprettede matrisen, blir Norm () -funksjonen satt i arbeid.

Beregning av kvadratroten av summen av firkanter av de medfølgende data gir normen. Produktet av normene til begge matriser blir tatt. Deretter er produktet av matrisen delt med det. Siden vi vet at formelen for å finne den kosinuslikheten er cos (x, y) = (x * y) / (|| x || * || y ||), beregnes det samme med python innebygde funksjoner. La oss nå se den beregnede kosinuslikheten i følgende illustrasjon:

Nå som vi forsto hvordan man manuelt beregner den kosinuslikheten både etter formel og Python-funksjoner, la oss lære og forstå hvordan vi beregner kosinuslikheten automatisk ved å bruke den innebygde kosinusfunksjonen til Scipy Library. Se følgende syntaks av kosinusfunksjonen:

Kosinusfunksjonen tar to inngangsarrays som brukes til å finne kosinuslikheten og en valgfri rekke vekter der vekter hver verdi i de 2 inngangsarraysene. Vektoppstillingen er valgfri, og standardverdien er ingen. Dette resulterer i å gi 1 vekt til hver verdi i inngangsarrayene. Cosine -funksjonen returnerer kosinuslikheten mellom de gitte to inngangsarrayene eller vektorene. La oss nå forstå alt dette ved hjelp av eksempler.

Eksempel 2:

I dette eksemplet vil vi bruke kosinusfunksjonen fra Scipy -biblioteket for å beregne kosinuslikheten mellom gitte data automatisk. La oss se hvordan vi bruker funksjonen i et Python -program. Tenk på følgende prøvekode:

Importer numpy som NP
Fra scipy.Romlig importavstand
Vector1 = NP.Array ([2, 1, 2, 1, 2, 1])
vektor2 = np.Array ([4, 5, 3, 2, 6, 7])
Cosim = avstand.kosinus (Vector1, Vector2)
Print ("Cosine Likhet:", Cosim)

To biblioteker importeres til programmet, Numpy og Scipy. NP -variabelen representerer Numpy -biblioteket gjennom hele programmet, og Scipy -biblioteket importeres for å ringe den romlige pakken og dets avstandsmetode i programmet når vi bruker kosinusfunksjonen i programmet vårt. Avstandsklassen gir kosinusfunksjonen, så vi må ringe kosinusfunksjonen fra avstandsklassen. De samme inndataene som i det første eksemplet brukes. Begge matriser sendes til kosinusfunksjonen og vises på skjermen ved hjelp av utskriftskommandoen. La oss nå se følgende utdata:

Eksempel 3:

La oss nå gi noen komplekse data for kosinusfunksjonen. Som vi har sett, beregner kosinusfunksjonen perfekt den kosinuslikheten raskt. La oss teste funksjonen med store og komplekse data. Først bruker vi bare en normal matrise. La oss tilby de flerdimensjonale matriser i dette eksemplet slik at vi kan forstå arbeidet med kosinusfunksjonen bedre. Tenk på følgende prøvekode:

Importer numpy som NP
Fra scipy.Romlig importavstand
Vector1 = NP.Array ([[2, 1, 2], [1, 2, 1], [3, 3, 3]])
vektor2 = np.Array ([[4, 5, 3], [2, 6, 7], [9, 7, 8]])
Cosim = avstand.kosinus (Vector1, Vector2)
Print ("Cosine Likhet:", Cosim)

Her kan du se at vi ga de flerdimensjonale matriser og passerte disse matriser til kosinusfunksjonen. La oss nå se hvilket resultat produserer kosinusfunksjonen. Se følgende resultat:

Som du kan se, hevet kompilatoren verdien som indikerer at inndataene må være 1-D. Siden vi har gitt de flerdimensjonale array-dataene, avviste kosinusfunksjonen inngangsdataene, da den ikke beregner kosinuslikheten på flerdimensjonale matriser. Det tar bare en endimensjonal inngangsarray. Så for å unngå verdienes unntak, må vi sørge for at inndataene skal være i 1-D form.

Konklusjon

Vi hadde en rask oversikt over Scipy Cosine Likhetsfunksjonen. For det første lærte vi hva kosinus likhet er og forstå formelen for å beregne kosinuslikheten ved å demonstrere et eksempel. Etter det lærte vi hva som er scipy cosinus likhet og utforsket noen eksempler for å lære hvordan kosinus fungerer fra Scipy -biblioteket automatisk beregner kosinuslikheten mellom de gitte dataene. Vi lærte også at kosinusfunksjonen bare tar 1-D-data som input. Når det.