将 function 应用于 numpy 矩阵列表

Question

我正在研究 python。 所以，我得到了一个主矩阵，我们称之为“X”。 然后我得到了一个名为 Z 的其他 5000 个矩阵的列表。我想在 X 和 Z 内的每个矩阵之间应用 sklearn.metrics.pairwise.cosine_similarity function 并取矩阵内的平均值。 我不想做一个 for 循环，因为它需要大量时间。 有没有办法在没有 for 循环的情况下进行多处理？

from sklearn.metrics.pairwise import cosine_similarity
Z = [numpy.random.rand(7,12),numpy.random.rand(7,12),numpy.random.rand(7,12)] #in my example X contains 5000 matrices, here only 3
X = numpy.random.rand(7,12)

#the loop I want to get rid of
cosine_similarities = []
for matrix in Z:
    cosine_similarities.append(cosine_similarity(X, matrix).mean())

Answer 1

这是一种避免循环的方法。 如果Z中的所有矩阵都具有相同的形状，您可以简单地将它们堆叠并找到余弦相似度，然后将它们拆分：

Y = np.vstack(Z)
cosine_similarities  = sklearn.metrics.pairwise.cosine_similarity(X, Y).reshape(len(Z),X.shape[0],-1)

它将返回一个数组，其中每一行是X的余弦相似度和Z的元素。 如果你想取平均值：

cosine_similarities = cosine_similarities.mean((1,2))