给定稀疏矩阵数据时，Python中最快的计算余弦相似度的方法是什么？

您可以直接使用sklearn在稀疏矩阵的行上计算成对的余弦相似度。从0.17版开始，它还支持稀疏输出：

from sklearn.metrics.pairwise import cosine_similarityfrom scipy import sparseA =  np.array([[0, 1, 0, 0, 1], [0, 0, 1, 1, 1],[1, 1, 0, 1, 0]])A_sparse = sparse.csr_matrix(A)similarities = cosine_similarity(A_sparse)print('pairwise dense output:n {}n'.format(similarities))#also can output sparse matricessimilarities_sparse = cosine_similarity(A_sparse,dense_output=False)print('pairwise sparse output:n {}n'.format(similarities_sparse))

结果：

pairwise dense output:[[ 1.          0.40824829  0.40824829][ 0.40824829  1.          0.33333333][ 0.40824829  0.33333333  1.        ]]pairwise sparse output:(0, 1)  0.408248290464(0, 2)  0.408248290464(0, 0)  1.0(1, 0)  0.408248290464(1, 2)  0.333333333333(1, 1)  1.0(2, 1)  0.333333333333(2, 0)  0.408248290464(2, 2)  1.0

如果您希望按列余弦相似，则只需事先转置输入矩阵即可：

A_sparse.transpose()