Scipy 自动广播
Auto broadcasting in Scipy
我有两个 np.ndarray，data 的形状为 (8000, 500) 和 sample 的形状为 (1, 500)。
我想要实现的是测量 data 到 sample 中每一行之间的各种指标。
当使用 from sklearn.metrics.pairwise.cosine_distances 时，我能够利用 numpy 的广播执行以下行
x = cosine_distances(data, sample)
但是当我尝试对 scipy.spatial.distance.cosine 使用相同的过程时，我得到了错误
ValueError: Input vector should be 1-D.
我想这是一个广播问题，我正试图找到解决它的方法。
我的最终目标是遍历 scipy.spatial.distance 中所有可用的距离，这些距离可以接受两个向量并将它们应用于数据和样本。
如何在我的 scipy 版本的代码中复制 sklearn 中自动发生的广播？
好的，查看文档，http://scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.cosine_distances.html
使用 (800,500) 和 (1,500) 个输入 ((samples, features))，您应该得到 (800,1) 个结果 ((samples1, samples2))。
我不会将其描述为广播。它更像是 dot 产品，对特征（500 形状）执行某种排序计算 (norm)，将其减少到一个值。它更像是 np.dot(data, sample.T) 在处理尺寸方面。
https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.cosine.html 是 Computes the Cosine distance between 1-D arrays，更像是
for row in data:
for s in sample:
d = cosine(row, s)
或者因为 sample 只有一行
distances = np.array([cosine(row, sample[0]) for row in data])
换句话说，sklearn 版本执行成对迭代（可能在编译代码中），而 spartial 仅评估一对的距离。
pairwise.cosine_similarity 确实
# K(X, Y) = <X, Y> / (||X||*||Y||)
K = safe_sparse_dot(X_normalized, Y_normalized.T, dense_output=dense_output)
这就是我之前提到的类似 dot 的行为，但添加了规范化。
我有两个 np.ndarray，data 的形状为 (8000, 500) 和 sample 的形状为 (1, 500)。
我想要实现的是测量 data 到 sample 中每一行之间的各种指标。
当使用 from sklearn.metrics.pairwise.cosine_distances 时，我能够利用 numpy 的广播执行以下行
x = cosine_distances(data, sample)
但是当我尝试对 scipy.spatial.distance.cosine 使用相同的过程时，我得到了错误
ValueError: Input vector should be 1-D.
我想这是一个广播问题，我正试图找到解决它的方法。
我的最终目标是遍历 scipy.spatial.distance 中所有可用的距离，这些距离可以接受两个向量并将它们应用于数据和样本。
如何在我的 scipy 版本的代码中复制 sklearn 中自动发生的广播？
好的，查看文档，http://scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.cosine_distances.html
使用 (800,500) 和 (1,500) 个输入 ((samples, features))，您应该得到 (800,1) 个结果 ((samples1, samples2))。
我不会将其描述为广播。它更像是 dot 产品，对特征（500 形状）执行某种排序计算 (norm)，将其减少到一个值。它更像是 np.dot(data, sample.T) 在处理尺寸方面。
https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.cosine.html 是 Computes the Cosine distance between 1-D arrays，更像是
for row in data:
for s in sample:
d = cosine(row, s)
或者因为 sample 只有一行
distances = np.array([cosine(row, sample[0]) for row in data])
换句话说，sklearn 版本执行成对迭代（可能在编译代码中），而 spartial 仅评估一对的距离。
pairwise.cosine_similarity 确实
# K(X, Y) = <X, Y> / (||X||*||Y||)
K = safe_sparse_dot(X_normalized, Y_normalized.T, dense_output=dense_output)
这就是我之前提到的类似 dot 的行为，但添加了规范化。