【数据挖掘】机器学习中相似性度量方法-欧式距离_欧几里得距离相似性机器学习-CSDN博客

本文链接：https://blog.csdn.net/AugustMe/article/details/139690758

写在前面：
首先感谢兄弟们的订阅，让我有创作的动力，在创作过程我会尽最大能力，保证作品的质量，如果有问题，可以私信我，让我们携手共进，共创辉煌。

路虽远，行则将至；事虽难，做则必成。只要有愚公移山的志气、滴水穿石的毅力，脚踏实地，埋头苦干，积跬步以至千里，就一定能够把宏伟目标变为美好现实。

最近在做实际项目时，遇到需要计算两个向量的相似性，即需要计算不同数据样本之间的相似度。计算样本之间相似度的方法有很多，也很有学问，直接影响后续的计算结果。

本次将持续更新“相似性度量（similarity measurement）”系列文章，今天先介绍欧式距离。

在这里插入图片描述

1、欧式距离

欧式距离（Euclidean Distance）是一种在多维空间中测量两个点之间“直线”距离的方法。在二维和三维空间中，欧氏距离就是两点之间的实际距离，即我们通常所说的“直线距离”。在更高维的空间中，这个概念依然适用，只是我们无法直接可视化这种距离。

2、计算公式

2.1 二维平面

二维平面两个点A( $x_ 1, y_ 1$ )和B( $x_ 2, y_ 2$ )之间的欧式距离：
$\ d(A,B) = \sqrt{(x_1 - x_2)^2 + (y_1 - y_2)^2 }$

2.2 三维空间

三维空间两个点A( $x_ 1,y_ 1, z_ 1$ )和B( $x_ 2,y_ 2, z_ 2$ )之间的欧式距离：

$\ d(A,B) = \sqrt{(x_1 - y_1 )^2 + (x_2 - y_2)^2 + (z_1 - z_2)^2}$

2.3 高维空间

两个向量A( $x_ 1,x_ 2, x_ 3, ..., x_ n$ )和B( $y_ 1,y_ 2, y_ 3,..., y_ n$ )之间的欧式距离

$\ d(A,B) = \sqrt{(x_1 - y_1 )^2 + (x_2 - y_2)^2 + \ldots + (x_n - y_n)^2}$

3、代码实现

编写代码实现欧式距离，在Python中，可以使用numpy库或者scipy来计算两个向量之间的欧式距离：

# -*- coding: utf-8 -*-
"""
Created on Fri Jun 14 22:36:45 2024

@author: AIexplore微信公众号
"""


import numpy as np  
from scipy.spatial.distance import euclidean  

  
def euclidean_distance_1(vec1, vec2):  
    """  
    计算两个向量之间的欧式距离  
      
    参数:  
    vec1 -- 第一个向量，numpy数组  
    vec2 -- 第二个向量，numpy数组  
      
    返回:  
    dist -- 两个向量之间的欧式距离  
    """  
    dist = np.sqrt(np.sum((vec1 - vec2)**2))  
    return dist  
  
    
def euclidean_distance_2(vec1, vec2):  
    dist = euclidean(vec1, vec2)
    return dist 
    

# data
vec1 = np.array([1, 2, 3])  
vec2 = np.array([4, 5, 6])  

# 使用numpy计算欧式距离
d1 = euclidean_distance_1(vec1, vec2)
print("欧式距离 1:", d1)

# 使用scipy的euclidean函数计算欧式距离  
d2 = euclidean_distance_2(vec1, vec2)  
print("欧式距离 2:", d2)

使用numpy计算欧式距离

euclidean_distance_1函数接受两个numpy数组作为参数，并返回它们之间的欧式距离。函数内部，使用numpy的sqrt函数和sum函数来计算平方差的总和的平方根，从而得到欧式距离。

使用scipy计算欧式距离

首先从scipy.spatial.distance模块中导入了euclidean函数。然后，定义了两个numpy数组vec1和vec2，它们分别代表两个点或向量的坐标。最后，调用euclidean_distance_2函数并传入这两个向量作为参数，得到了它们之间的欧式距离。

参考文章

1、https://mp.weixin.qq.com/s/zBHt9A-4FV4tsnSDRfBy-g
2、https://mp.weixin.qq.com/s/g1-U59Xo7ScjscyrL61Ujw
3、https://www.cnblogs.com/heaad/archive/2011/03/08/1977733.html