Python3: cos類似度を計算 (Mecab)

こちらと同じことを Mecab で行いました。
Python3: cos類似度を計算 (janome)

次のページを参考にしました。
PythonのMeCabで形態素解析！Tf-idfとCos類似度で文書の類似度を算出してみよう！

mecab_check.py

#! /usr/bin/python
#
#   mecab_check.py
#                   Nov/27/2021
# ------------------------------------------------------------------
import sys
import MeCab
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer

# ------------------------------------------------------------------
def mplg(article):
    word_list = ""
    m=MeCab.Tagger()
    m1=m.parse(text)
    for row in m1.split("\n"):
        word =row.split("\t")[0]
        if word == "EOS":
            break
        else:
            word_list = word_list +" "+ word
    return word_list

# ------------------------------------------------------------------
def tfidf(word_list):
    docs = np.array(word_list)#Numpyの配列に変換する
    #単語を配列ベクトル化して、TF-IDFを計算する
    vecs = TfidfVectorizer(
                token_pattern=u'(?u)\\b\\w+\\b'#文字列長が 1 の単語を処理対象に含めることを意味します。
                ).fit_transform(docs)
    vecs = vecs.toarray()
    return vecs


# ------------------------------------------------------------------
def cossim(v1,v2):
    return np.dot(v1, v2) / (np.linalg.norm(v1) * np.linalg.norm(v2))

# ------------------------------------------------------------------
sys.stderr.write("*** 開始 ***\n")
sentence_list = [
        '昔ある所に、王様がいました。',  # 文章A
        'ある所に、かわいい女の子がいました。',  # 文章B
        '一人の王様がいました。',  # 文章C
        '昔ある所に、貧しい女がいました。',  # 文章D
        '昔、王様がある所にいました。',  # 文章E
        ]   
word_list = []
for text in sentence_list:
    word_list.append(mplg(text))

vecs=tfidf(word_list)
print(cossim(vecs[0],vecs[1]))
print(cossim(vecs[0],vecs[2]))
print(cossim(vecs[0],vecs[3]))
print(cossim(vecs[0],vecs[4]))

sys.stderr.write("*** 終了 ***\n")
# ------------------------------------------------------------------

実行結果

$ ./mecab_check.py 
*** 開始 ***
0.5274797167376858
0.47111722018067215
0.6698436999383569
1.0
*** 終了 ***