Question

我正在学习聚类，并且在一些教程中看到了一些在相似性度量中我不太了解的东西：

tfidf_vector = TfidfVectorizer()
tfidf_matrix = tfidf_vector.fit_transform(file)

#and/or

count_vector = CountVectorizer()
count_matrix = count_vector.fit_transform(file)

#AND HERE
file_size = len(file)
x = np.zeros((file_size, file_size))
#and here the similarity measures like cosine_similarity, jaccard...

for elm in range(file_size):
    x[elm] = cosine_similarity(tfidf_matrix[i:i+1], tfidf_matrix)

y = np.subtract(np.ones((file_size, file_size),dtype = np.float), x)

new_file = np.asarray(y)
w = new_file.reshape((1,file_size,file_size))

为什么我们需要np.zeros？ tfidf_matrix / count_matrix是否足以用于相似性度量？

Answer 1

这段代码做同样的事情（我将i更改为elm，因为它看起来像是一个错字）

x = []
for elm in range(file_size):
    x.append(cosine_similarity(tfidf_matrix[elm:elm+1], tfidf_matrix)
x = np.asarray(x)

您也可以将np.zeros替换为np.empty。预先创建数组，然后填充数组的每个元素，比附加到列表然后将其转换为numpy数组的效率稍高。许多其他编程语言都需要像numpy一样预先分配数组，这就是为什么很多人选择以这种方式填充数组的原因。

但是，因为这是python，所以您应该做自己认为是最简单的方式来进行自己和他人的阅读。

了解集群中的np.zeros

1 个答案: