Python中计算numpy矩阵行相似度并查找最相似行的最佳方法

我是Python初学者，现有如下类型为numpy.matrix的矩阵（生成矩阵的代码省略）：

[[0.         0.2342598  0.         0.         0.         0.31308172
  0.         0.         0.         0.         0.31308172 0.
  0.         0.86549525 0.        ]
 [0.         0.2342598  0.         0.         0.         0.31308172
  0.         0.         0.         0.         0.31308172 0.
  0.         0.86549525 0.        ]
 [0.22575551 0.72375361 0.         0.19345532 0.22575551 0.19345532
  0.         0.38691064 0.19345532 0.19345532 0.19345532 0.19345532
  0.         0.         0.        ]
 [0.22575551 0.72375361 0.         0.19345532 0.22575551 0.19345532
  0.         0.38691064 0.19345532 0.19345532 0.19345532 0.19345532
  0.         0.         0.        ]
 [0.         0.64936739 0.         0.28928716 0.         0.
  0.39985833 0.28928716 0.28928716 0.28928716 0.         0.28928716
  0.         0.         0.        ]
 [0.26302218 0.50593649 0.37991833 0.22539002 0.26302218 0.
  0.31153847 0.11269501 0.11269501 0.45078005 0.         0.11269501
  0.18995916 0.         0.18995916]]

我使用sklearn.metrics.pairwise.cosine_similarity可便捷获取两行的余弦相似度，比如运行cosine_similarity(X[0], X[1])会得到仅含一个元素的numpy.ndarray，该float值介于0.0到1.0之间，代表X[0]和X[1]的相似度，可通过cosine_similarity(X[0], X[1])[0][0].item()提取该数值。

目前我的需求不是仅对比两行相似度，而是要将X[0]和矩阵中其余所有行对比，找出与X[0]最相似的行。我自行实现了循环遍历的计算方法，代码如下：

def calculate():
    h = 0.0
    e = -1
    for i in range(1, len(m)):
        if cosine_similarity(m[0], m[i])[0][0].item() >= h:
            h = cosine_similarity(m[0], m[i])[0][0].item()
            e = i
    return e

请问有没有更符合Python风格、性能更高、更优雅实用的实现方案？

直接使用cosine_similarity的批量计算能力配合numpy内置方法即可，完全不需要手动写循环：

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

def find_most_similar_row(mat):
    # 边界判断：矩阵行数不足2时无对比意义
    if len(mat) <= 1:
        return -1
    # 一次性计算首行和所有行的余弦相似度
    sim_array = cosine_similarity(mat[0], mat)[0]
    # 排除首行自身的匹配，取剩余行相似度最大值的索引，+1修正切片带来的索引偏移
    target_idx = sim_array[1:].argmax() + 1
    return target_idx

方案优势 #

• 性能大幅提升：原方案循环N次调用相似度计算接口，存在大量重复的向量归一化计算，且每个循环内重复调用两次接口浪费一倍性能；新方案底层使用numpy向量化运算，仅执行一次批量计算，矩阵规模越大性能优势越明显，万行以上场景速度可提升几十上百倍。
• 代码简洁易读：核心逻辑仅2行，没有冗余的中间变量，完全符合Pythonic的编码风格。
• 结果准确：numpy内置的argmax方法会自动返回第一个最大值的索引，和你原循环的判断逻辑完全一致。

内容的提问来源于stack exchange，提问作者Life after Guest