معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Efficient Pairwise Cosine Similarity Computation

ویژگی	مقدار
سیستم عامل	-
نام فایل	effcossim-1.0.4
نام	effcossim
نسخه کتابخانه	1.0.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	ngshya
ایمیل نویسنده	ngshya@gmail.com
آدرس صفحه اصلی	https://github.com/ngshya/effcossim
آدرس اینترنتی	https://pypi.org/project/effcossim/
مجوز	GPLv3

# Efficient Pairwise Cosine Similarity Computation The (i, j)-entry of the output matrix is the cosine distance between the i-th row of A and the j-th row of B. This function is only a wrapper, it uses the implementation of cosine_similarity from scikit-learn and the implementation of awesome_cossim_topn from sparse_dot_topn. For more details, please check: - https://scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.cosine_similarity.html - https://github.com/ing-bank/sparse_dot_topn To install this package: ```bash pip install effcossim ``` Sample code: ```python from numpy import array from effcossim.pcs import pairwise_cosine_similarity, pp_pcs A = array([ [1, 2, 3], [0, 1, 2], [5, 1, 1] ]) B = array([ [1, 1, 2], [0, 1, 2], [5, 0, 1], [0, 0, 4] ]) # scikit-learn implementation M1 = pairwise_cosine_similarity( A=A, B=B, efficient=False, dense_output=True ) # sparse_dot_topn implementation M2 = pairwise_cosine_similarity( A=A, B=B, efficient=True, n_top=4, lower_bound=0.5, n_jobs=2, dense_output=True ) ``` When `efficient=True`, in each row of the output matrix only the top `n_top` entries above `lower_bound` are retained (lower memory impacts). Furthermore, if `n_jobs` is larger than 1, parallel computations are applied (higher speed). If multiple comparisons are required, the parallel implementation can be used. ```python l1 = [random(m=10000, n=1000, density=0.3,) for _ in range(6)] l2 = [random(m=10000, n=1000, density=0.3,) for _ in range(6)] L = pp_pcs( l1=l1, l2=l2, n_workers=2, efficient=True, n_top=10, lower_bound=0.3, n_jobs=2, dense_output=False ) ``` The output is a list where the k-th element is the output of ```python pairwise_cosine_similarity(l1[k], l2[k]) ``` For further examples, check the notebook.

نحوه نصب

نصب پکیج whl effcossim-1.0.4:

pip install effcossim-1.0.4.whl

نصب پکیج tar.gz effcossim-1.0.4:

pip install effcossim-1.0.4.tar.gz