常见距离的度量及python实现

闵可夫斯基距离(Minkowski Distance)

Minkowski Distance不是一种距离，而是一组距离。两个n维变量A(a1,a2,…,an)与B(b1,b2,…,bn)间的闵可夫斯基距离定义为：

$$dist=\sqrt[p]{\sum _{k=1}^n|a_k-b_k{|}^p}$$

其中p是一个变参数，
当p=1时，就是曼哈顿距离
当p=2时，就是欧氏距离
当p→∞时，就是切比雪夫距离

def minkowski_distance(vec1, vec2, p=3):
    """
    
    :param vec1:
    :param vec2:
    :param p:
    :return:
    """
    return np.linalg.norm(vec1 - vec2, ord=p)

def euclidean_distance(vec1, vec2):
    """
    :param vec1:
    :param vec2:
    :return:
    """
    # return np.sqrt(np.sum(np.square(vec1 - vec2)))
    # return sum([(x - y) ** 2 for (x, y) in zip(vec1, vec2)]) ** 0.5
    return np.linalg.norm(vec1 - vec2, ord=2)

def manhattan_distance(vec1, vec2):
    """
    
    :param vec1:
    :param vec2:
    :return:
    """
    # return np.sum(np.abs(vec1 - vec1))
    return np.linalg.norm(vec1 - vec2, ord=1)

def chebyshev_distance(vec1, vec2):
    """
    
    :param vec1:
    :param vec2:
    :return:
    """
    # return np.abs(vec1 - vec2).max()
    return np.linalg.norm(vec1 - vec2, ord=np.inf)

堪培拉距离（Canberra Distance）

Canberra Distance(堪培拉距离)被用来衡量向量空间中两个点之间的距离，它是曼哈顿距离的加权版本。
$$dist(p,q)=$$