cosine_similarity计算DataFrame整体与子集结果不一致问题咨询

• 索引映射不匹配（最高发原因）
  scikit-learn的cosine_similarity返回的矩阵下标对应的是输入DataFrame的行位置（iloc序号），不是DataFrame的行索引标签（loc标签）。场景1中你筛选的是行索引标签为5031、9365的两行，场景2中你直接用cosine_sim[5031][9365]取的是矩阵第5032行、9366列的结果，对应原DataFrame的iloc位置为5031、9365的行。如果你的DataFrame有过行删除、自定义行索引、未重置索引的操作，行索引标签和iloc位置并不对齐，两次计算取的完全是不同的行数据，结果自然不一致。
  验证方法：执行print(df.index.get_loc(5031), df.index.get_loc(9365))获取两个索引标签对应的实际行号i、j，再打印cosine_sim[i][j]，结果大概率和场景1的0.33一致。
• 预处理流程不一致
  如果全量计算前你对完整df做过全量拟合的归一化、标准化、空值填充、特征筛选操作，而单独取两行计算时没有走完全相同的预处理流程，会导致输入到cosine_similarity的数值存在差异，最终计算结果不同。比如全量计算时你用了拟合全量数据的StandardScaler做标准化，单独取两行时没有做标准化，或者只用了两行数据拟合的scaler，结果会出现明显偏差。
• 数据精度或存储格式差异
  如果你的df是稀疏矩阵格式，全量计算时调用的是稀疏矩阵专属的余弦相似度实现，单独取两行时自动转成了稠密矩阵计算，浮点精度累积误差会带来小范围的结果差异，但该原因通常不会导致0.25到0.33这么大的差值，仅作为次要排查方向。
• 特征列不一致
  检查两次计算传入cosine_similarity的特征列是否完全一致，比如全量计算时你过滤了非数值的ID列、标签列，单独取两行时不小心带入了这些无关列，会直接影响余弦相似度的计算结果。

内容的提问来源于stack exchange，提问作者Aditya Malik