Question

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的运行速度比scipy慢10倍（即使您删除了sklearn示例的数组整形并生成了已经正确形状的数据）。我无法想象为什么一个比另一个要慢得多？

Answer 1

正如评论部分所述，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/相似度。另一方面，scipy.spatial.distance.cosine用于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。但是，令我惊讶的是，这表明sklearn的实现比scipy的实现要快得多（我目前对此没有任何解释！）。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

Scipy余弦相似度与sklearn余弦相似度

1 个答案: