2011/11/19 (Sat) Rでコサイン類似度

ちまちまいじっていたRのプログラムのうち１つがちゃんと通るようになったので晒し上げ。
今回作ったのは、てけとーなデータからコサイン類似度を計算するもの。
自作関数とかめんどいので中身べた貼り。
「動きゃいーのよ」が開発理念ゆえに、だいぶぶさいくなコードですが自分が満足すればそれでいいのです。
参考にしたのはここ（http://isyus2.yz.yamagata-u.ac.jp/xoops/modules/pukiwiki/index.php?cmd=read&page=R%B8%C0%B8%EC%A4%CE%A5%E1%A5%E2%BD%F1%A4%AD&word=）。

data <- read.csv("調べるデータの名前.csv", header =T)
#ちなみにデータは、1行目に項目名、列ごとに各項目のデータが入るようにしてある

labeldata <- read.csv("Labels.csv", header =T)
names(labeldata)
#いろいろいじるので、めんどくさくなってラベル用にラベル（項目名）だけ書いたCSV用意しちゃった。てへ。
#ちなみに元データから抜き出す方法だと行番号がずれて、修正しようにも収拾つかなくなったので苦肉の策。

distmat1 <- diag(ncol(data))
#コサイン類似度出力用。おなじものは1になるのであらかじめ単位行列として作る

#コサイン類似度を計算。型変換しないとつまるので、ぶさいくながらこまめに変数にする

for (i in 2:nrow(distmat1)) {
  for (j in 1: (i -1)) {

  temp1 <- as.matrix(data[ ,j])
  temp2 <- as.matrix(data[ ,i])
  tempdot <- crossprod(temp1, temp2)
  tempprod1 <- as.numeric(crossprod(temp1))
  tempprod2 <- as.numeric(crossprod(temp2))
  tempcos <- tempdot /sqrt(tempprod1 * tempprod2)

distmat1[i, j] <- tempcos

  }
}

#計算していない上半分を下半分からコピーして対称行列にする
distmat2 <- distmat1 + t(distmat1)
diag(distmat2) <- diag(distmat2)/2

#クラスター分析用にコサイン類似度の距離に変換（要するに1から引き算）

onemat <- matrix(1, ncol(distmat2), nrow(distmat2))
#引き算用1だけ行列

distmat3 <- onemat - distmat2
#これが距離行列になる


#おまけのクラスター分析
（このへんはこの過去めもを参照）
AD <- as.dist (distmat3)
result1 <- hclust(AD, method ="ward")
plot(result1, labels=labeldata$ラベル用のデータのラベル)
#このlabelsをつけておかないと、plotが数字（order）だけの図になってしまう


だいたいこんなかんじ。
ちなみに、Rのdist関数はユークリッド距離と最大距離とマンハッタン距離とミンコフスキー距離と、あとなんかcanberraとかbinaryとかいうのならデフォルトで対応しているそうな。
http://127.0.0.1:23392/library/stats/html/dist.html
まあ要するにそれ以外なら自力でなんとかせんといかんということかいのう。
まあいいや。
だいたいでいいや。