当前位置：首页 > news >正文

08 Python 数据分析：学生画像匹配与相似度计算

news 2026/8/27 15:45:45

Python 数据分析：学生画像匹配与相似度计算

适合人群：Python 初学者 / 数据分析入门 / 推荐系统基础学习者 / 教学案例分享

在数据分析和机器学习中，我们经常会遇到这样的问题：

如何判断两个学生的学习习惯是否相似？
如何衡量两个商品是不是“同类竞品”？
为什么推荐系统能给你推送“你可能喜欢”的内容？
两段文本内容相似，应该怎么用数据来表示？

这些问题，归根到底，都指向一个核心概念：

相似性度量

本文将通过“学生画像匹配”和“课程评价文本分析”两个小案例，带你理解下面几个非常常用的概念：

欧氏距离（Euclidean Distance）
曼哈顿距离（Manhattan Distance）
余弦相似度（Cosine Similarity）

并结合Python完成简单实战。

一、案例引入：谁和你最像？

假设我们想根据学生的学习数据，寻找“和你最相似的同学”。

比如现在有三位学生的成绩数据：

学生	数学	英语
A	80	85
B	82	88
C	60	70

问题来了：

A 和 B 谁更像？
A 和 C 谁更像？
我们能不能不用“感觉”，而是用“计算”来判断？

答案是可以的。

在数据世界里，“相似”是可以被量化的。
一种最直接的想法就是：

谁和 A 的“距离”更近，谁就更相似。

二、什么是相似性？什么是距离？

在数据分析里，经常会把“相似性”和“距离”放在一起讲。

你可以简单理解为：

距离越小，两个对象越相似
距离越大，两个对象差异越大

这种思路在很多应用里都非常常见，比如：

推荐系统
用户画像匹配
聚类分析
离群点分析

数据对象的相似性度量正是这些分析任务的重要基础[1]。

三、欧氏距离：最常见的“直线距离”

欧氏距离，就是我们在几何中最熟悉的“两点之间的直线距离”[1]。

如果两个学生用两个特征表示：

数学成绩
英语成绩

那么就可以把每个学生看成二维平面上的一个点。

例如：

A = (80, 85)
B = (82, 88)
C = (60, 70)

欧氏距离公式

对于两个点：

A=(x1,y1)B=(x2,y2)

欧氏距离为：

d=sqrt((x2-x1)^2+(y2-y1)^2)

如果扩展到多个特征，也是同样思路：各维度差值平方后求和，再开方[1]。

四、手工算一遍：A 和谁更相似？

1）A 和 B 的欧氏距离

A=(80,85)B=(82,88)

计算过程：

d(A,B)=sqrt((82-80)^2+(88-85)^2)=sqrt(2^2+3^2)=sqrt(4+9)=sqrt(13)≈3.61

2）A 和 C 的欧氏距离

A=(80,85)C=(60,70)

计算过程：

d(A,C)=sqrt((60-80)^2+(70-85)^2)=sqrt((-20)^2+(-15)^2)=sqrt(400+225)=sqrt(625)=25

3）结论

因为：

d(A,B)=3.61<d(A,C)=25

所以：

学生 B 与学生 A 更相似。

这就是“距离越小，相似度越高”的最直观体现。

五、用 Python 计算欧氏距离

下面我们用 Python 实现刚才的计算。

importmath A=(80,85)B=(82,88)C=(60,70)defeuclidean_distance(p1,p2):returnmath.sqrt((p1[0]-p2[0])**2+(p1[1]-p2[1])**2)dist_ab=euclidean_distance(A,B)dist_ac=euclidean_distance(A,C)print("A与B的欧氏距离：",dist_ab)print("A与C的欧氏距离：",dist_ac)

输出结果：

A与B的欧氏距离：3.605551275463989A与C的欧氏距离：25.0

如果你想让结果更美观一点，可以保留两位小数：

print("A与B的欧氏距离：{:.2f}".format(dist_ab))print("A与C的欧氏距离：{:.2f}".format(dist_ac))

六、曼哈顿距离：不是走直线，而是“走格子”

除了欧氏距离，还有一种很常见的距离叫曼哈顿距离[1]。

它的名字来源于美国曼哈顿的街区布局：
如果你只能沿着街道走，而不能斜着穿过去，那么你的路径就不是直线，而是“横着走 + 竖着走”。

曼哈顿距离公式

d=|x2-x1|+|y2-y1|

例子：A 和 B 的曼哈顿距离

A=(80,85)B=(82,88)d(A,B)=|82-80|+|88-85|=2+3=5

Python 实现

defmanhattan_distance(p1,p2):returnabs(p1[0]-p2[0])+abs(p1[1]-p2[1])dist_ab_manhattan=manhattan_distance(A,B)dist_ac_manhattan=manhattan_distance(A,C)print("A与B的曼哈顿距离：",dist_ab_manhattan)print("A与C的曼哈顿距离：",dist_ac_manhattan)

如何理解？

欧氏距离：看“直线有多远”
曼哈顿距离：看“按坐标轴走要走多远”

两者都能衡量差异，只是方式不同。

七、余弦相似度：比较的不是远近，而是方向

前面的欧氏距离和曼哈顿距离，主要适合数值型特征。

但如果面对的是文本数据，比如两段课程评价、两篇文章、两个商品描述，该怎么办？

这时候，一个很常用的方法就是：

余弦相似度（Cosine Similarity）

余弦相似性常用于文档数据的相似度测量，一般通过关键词向量来表示文档特征[1]。

八、为什么文本可以变成向量？

举个例子，假设我们有两段课程评价：

评价1

“老师讲课清晰，案例很多，课堂有趣”

评价2

“讲课清晰，案例丰富，课堂生动”

我们可以先提取关键词，比如：

讲课
清晰
案例
课堂
有趣
丰富
生动

然后统计每个词出现的次数，把它变成一个向量。

例如：

评价1=[1,1,1,1,1,0,0]评价2=[1,1,1,1,0,1,1]

这样，文本相似度问题就变成了“两个向量是否相似”的问题。

九、余弦相似度公式

余弦相似度的核心思想是：

比较两个向量的方向是否接近，而不是比较长度是否相同。

公式如下：

cos(theta)=(A · B)/(||A||*||B||)

你可以简单理解为：

结果越接近1：越相似
结果越接近0：越不相似
结果越接近-1：方向相反

在文本分析场景里，我们通常最关注：

余弦相似度越接近 1，文本内容越相似[1]。

十、用 Python 计算余弦相似度

importnumpyasnp vec1=np.array([1,1,1,1,1,0,0])vec2=np.array([1,1,1,1,0,1,1])cos_sim=np.dot(vec1,vec2)/(np.linalg.norm(vec1)*np.linalg.norm(vec2))print("余弦相似度：",cos_sim)

如果结果接近1，说明两段评价内容比较相似。

十一、完整代码：欧氏距离 + 曼哈顿距离 + 余弦相似度

下面给出一份完整代码，复制即可运行。

importmathimportnumpyasnp# ======================# 1. 欧氏距离与曼哈顿距离# ======================A=(80,85)B=(82,88)C=(60,70)defeuclidean_distance(p1,p2):returnmath.sqrt(sum((a-b)**2fora,binzip(p1,p2)))defmanhattan_distance(p1,p2):returnsum(abs(a-b)fora,binzip(p1,p2))print("=== 数值数据相似性分析 ===")print("A与B的欧氏距离：{:.2f}".format(euclidean_distance(A,B)))print("A与C的欧氏距离：{:.2f}".format(euclidean_distance(A,C)))print("A与B的曼哈顿距离：",manhattan_distance(A,B))print("A与C的曼哈顿距离：",manhattan_distance(A,C))# ======================# 2. 余弦相似度# ======================vec1=np.array([1,1,1,1,1,0,0])vec2=np.array([1,1,1,1,0,1,1])cos_sim=np.dot(vec1,vec2)/(np.linalg.norm(vec1)*np.linalg.norm(vec2))print("\n=== 文本相似性分析 ===")print("两段评价的余弦相似度：{:.4f}".format(cos_sim))