cosine_similarity 为数据帧和数据帧的子集给出不同的答案答案

【问题标题】：cosine_similarity giving different answer for dataframe and subset of dataframecosine_similarity 为数据帧和数据帧的子集给出不同的答案
【发布时间】：2022-01-05 22:55:39
【问题描述】：

我的推荐系统有以下代码，它给出了不同的输出。

场景 1：

a = df[df.index == 5031]
b = df[df.index == 9365]

print(cosine_similarity(a,b)) #0.33

场景 2：

cosine_sim = cosine_similarity(df)

print(cosine_sim[5031][9365]) #0.25

我认为这两种情况的输出应该是相同的。根据数据，我觉得场景1更准确。有人可以帮忙吗？

数据框看起来像这样。

【问题讨论】：

你的df看起来怎么样？
嗨i.stack.imgur.com/okwtm.png这就是@Jamjitul的样子
场景一使用索引，场景二使用位置，它们并不总是相同的。
@jwzinserl。感谢你的回复。是否可以使用整个数据帧的索引？
你在使用sklearn.metrics.pairwise.cosine_similarity吗？其输出将具有基于整数位置的索引，该索引可能与数据帧中的索引不同。如果您还使用基于整数位置的索引来获取 a 和 b 向量，那么您应该得到相同的结果。 a = df.iloc[5031] 和 b = df.iloc[9365]

标签： python data-science cosine-similarity

【解决方案1】：

您将标签索引与基于位置的索引混合在一起。

在场景 1 中，您通过标签索引获取向量

# labels 5031 and 9365
a = df[df.index == 5031]
b = df[df.index == 9365]

sklearn.metrics.pairwise.cosine_similarity 返回的矩阵对索引标签一无所知。因此，在从矩阵中获取数据之前，您需要知道数据框中基于位置的索引

idx_a = df.index.get_loc(5031)
idx_b = df.index.get_loc(9365)
cosine_sim[idx_a][idx_b]

【讨论】：