等权重下含布尔特征的多列行向量cosine similarity计算及id匹配咨询

关键前置注意事项 #

如果直接用原始特征值计算余弦相似度，会出现特征量级差异导致的权重失衡问题：你当前数据集里size特征取值在1000-3000区间，剩下的计数/布尔特征取值在0-3区间，直接计算会让size的贡献度远高于其他特征，完全达不到“所有特征等权重”的要求。要实现真正的等权重，必须先对所有特征做min-max归一化，把每个特征的取值范围映射到[0,1]区间，保证单个特征对最终向量的贡献度对等。

具体计算步骤 #

• 拆分数据：把id列单独作为样本标签，不参与相似度计算，剩下的size、numberOfPlants、三个布尔特征组成待计算的特征矩阵。
• 特征归一化（实现等权重）：对每一列特征单独做min-max归一化，公式为：归一化值 = (当前值 - 列最小值) / (列最大值 - 列最小值)
  以你给出的数据集为例：
  • size列的最小值是1191，最大值是3251，计算后四个样本的归一化值分别为0、1、0.218、0.457
  • numberOfPlants列的最小值是1，最大值是3，计算后四个样本的归一化值分别为1、0.5、0、1
  • 三个布尔特征本身已经是0/1取值，不需要额外调整
    最终每个样本的特征向量会被压缩到统一的取值尺度下，实现等权重贡献。
• 全量余弦相似度计算：

  两个向量A、B的余弦相似度 = （A和B的逐元素乘积之和） / （A的模长 * B的模长）
  逐行两两计算所有样本的余弦值，得到一个N行N列的相似度矩阵（N为样本总数），矩阵中第i行第j列的数值，就对应id为i的样本和id为j的样本的相似度，取值范围为0-1（因为所有特征都是非负的），值越大代表相似度越高。

• 按输入id查询最相似结果：
  1. 定位输入id在相似度矩阵中对应的行
  2. 剔除该行中对应自身的相似度值（固定为1，没有参考意义）
  3. 找到该行中剩余相似度值最大的位置，对应的列索引就是要返回的最相似样本id

实际计算示例 #

用你给出的原始数据集，归一化后四个样本的特征向量分别为：

• id0: [0, 1, 0, 1, 1]
• id1: [1, 0.5, 1, 0, 0]
• id2: [0.218, 0, 1, 1, 0]
• id3: [0.457, 1, 0, 0, 1]
  逐对计算后，当输入id=0时，和其他样本的相似度分别为0.577（匹配id1）、0.403（匹配id2）、0.778（匹配id3），最终返回的最相似id就是3。

快速实现思路 #

用Python完成全流程时不需要从零编写余弦相似度计算逻辑，可直接调用成熟的工具链：

• 用MinMaxScaler完成特征归一化
• 用cosine_similarity方法一次性计算全量相似度矩阵
• 封装简单的查询函数，传入id即可直接返回最相似的匹配结果

内容的提问来源于stack exchange，提问作者x89