嵌套字典提取数组转ndarray，如何适配sklearn余弦相似度生成目标矩阵

你遇到的形状不匹配问题，本质是两个操作上的疏漏：

• 嵌套字典里每个年份对应类别的TF-IDF，本身是形状为(1, n_features)的二维数组，不是一维向量。直接把这些二维元素丢进列表转numpy数组，得到的是三维结构，根本不符合sklearn余弦相似度要求的二维(n_samples, n_features)输入格式
• 之前尝试的暴力reshape，没有先对齐维度的实际含义：用reshape(1,-1)把整个三维数组拉成单行，相当于只有1个样本，最终算出1×1的结果；用reshape(-1,1)把数组拉成单列，把特征维度错当成样本维度，最终算出尺寸完全不符合要求的大矩阵

1. 提取单类别TF-IDF的二维矩阵 #

收集每个年份的目标类别（比如negative）TF-IDF时，先把单文档附带的多余维度去掉，再统一组装成模块要求的二维矩阵：

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

def build_class_tfidf(tfidf_dict, year_list, class_name):
    vec_list = []
    for year in year_list:
        # squeeze会自动删除所有长度为1的维度，把(1, n_features)的单文档数组压成(n_features,)的一维向量
        single_tfidf = tfidf_dict[year][class_name].squeeze()
        vec_list.append(single_tfidf)
    # 把收集的一维向量堆成二维数组，此时形状严格为(样本数=len(year_list), 特征数=n_features)
    return np.asarray(vec_list)

2. 提前校验维度，避免无效计算 #

在传入余弦相似度模块前，一定要打印矩阵的shape确认维度正确：

• 第一维必须等于你要计算的文档总数（也就是你预期的9）
• 第二维是所有文档共有的TF-IDF特征总长度

# 提取negative类别的所有文档TF-IDF
neg_matrix = build_class_tfidf(tfidf_ten_ks, dates, "negative")
# 预期输出形状为 (9, 你的TF-IDF特征维度数)
print(neg_matrix.shape)

3. 直接计算相似度 #

只要确认输入是形状为(9, n_features)的二维数组，直接传给余弦相似度模块就行，不需要额外做任何reshape：

# 输入是(9, n_features)时，输出的相似度矩阵必然是(9,9)，正好是9个文档两两的相似度
neg_cos_sim = cosine_similarity(neg_matrix)
# 可打印形状验证，预期输出 (9,9)
print(neg_cos_sim.shape)

• 不要在三维数组上硬做reshape操作，只要输入不是二维结构，要么直接触发sklearn报错，要么算出完全无效的结果
• 后续要算positive等其他类别的相似度时，只要替换class_name参数重复调用build_class_tfidf即可，整套逻辑完全复用
• 如果后续处理稀疏格式的TF-IDF，squeeze操作同样兼容，只要保证最终传入的是二维结构，余弦相似度模块可以直接正常计算，不需要转成稠密数组

内容的提问来源于stack exchange，提问作者Zèro