计算pearson相似度和余弦(cosine)相似度

使用numpy和sklearn中封装好的工具进行计算相似度

当数据为二维矩阵时，以下代价计算的是行与行之间的相似度，D若为相似度矩阵，即Dij表示第i行与第j行数据之间的相似度，对角线的数据为第i行和第i行的自相关相似度，对角线为1

import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

def calcu_similarity(features, method='pearson'):
    if method == 'pearson':
        similarity = np.corrcoef(features) #pearson相似度 
    elif method == 'cosine':
        similarity = cosine_similarity(features) #余弦相似度
    return similarity
data = np.array([[1, 4, 3], [0, 5, 6], [1, 2, 3]])



similarity = calcu_similarity(data, method='pearson')
print(similarity)

"""
[[1.         0.8824975  0.65465367]
 [0.8824975  1.         0.93325653]
 [0.65465367 0.93325653 1.        ]]
"""


similarity = calcu_similarity(data, method='cosine')
print(similarity)


"""
[[1.         0.95418373 0.94345635]
 [0.95418373 1.         0.95814028]
 [0.94345635 0.95814028 1.        ]]
"""