正如@Max 在评论 (+1) 中指出的那样，“编写自己的”比花时间在其他地方寻找它更简单。我们知道，两个向量之间的余弦相似度$A,B$长度$n$是

$$C = \frac{ \sum \limits_{i=1}^{n}A_{i} B_{i} }{ \sqrt{\sum \limits_{i=1}^{n} A_{i}^2} \cdot \sqrt{\sum \limits_{i=1}^{n} B_{i}^2} }$$

这很容易在R. 让X是矩阵，其中行是我们要计算其相似性的值。然后我们可以使用以下R代码计算相似度矩阵：

cos.sim <- function(ix) 
{
    A = X[ix[1],]
    B = X[ix[2],]
    return( sum(A*B)/sqrt(sum(A^2)*sum(B^2)) )
}   
n <- nrow(X) 
cmb <- expand.grid(i=1:n, j=1:n) 
C <- matrix(apply(cmb,1,cos.sim),n,n)

然后矩阵C是余弦相似度矩阵，您可以将其传递给您喜欢的任何热图函数（我唯一熟悉的是image()）。

---

这里的许多答案在计算上效率低下，试试这个；

---

对于余弦相似度矩阵

Matrix <- as.matrix(DF)
sim <- Matrix / sqrt(rowSums(Matrix * Matrix))
sim <- sim %*% t(sim)

转换为余弦相异矩阵（距离矩阵）。

D_sim <- as.dist(1 - sim)

您可以使用cosinelsa 包中的功能：http:
//cran.r-project.org/web/packages/lsa

在使用矩阵而不是一维向量时，以下函数可能很有用：

# input: row matrices 'ma' and 'mb' (with compatible dimensions)
# output: cosine similarity matrix

cos.sim=function(ma, mb){
  mat=tcrossprod(ma, mb)
  t1=sqrt(apply(ma, 1, crossprod))
  t2=sqrt(apply(mb, 1, crossprod))
  mat / outer(t1,t2)
}