Python距离包的实现

<span style="font-family: Arial, Helvetica, sans-serif; background-color: rgb(255, 255, 255);">看了不少书，不同的算法中经常使用不同的距离函数。然而，基本都是在一个文件里只用特定的某一种距离函数，缺乏一个整体的距离包来直接用于调用，不是特别方便。因此，我写了个将各种常用距离函数放在一起的包，包括了欧氏距离、曼哈顿距离、切比雪夫距离和余弦相似度，马氏距离暂时就先不管了，做推荐或者医学数据挖掘用的也确实不算多，而且scipy里有scipy.spatial.distance包可以调用。本文涉及的代码主要参考了《写给程序员的数据挖掘实践指南》一书。</span>

欧氏距离 (Euclidean Distance)：

这个还是比较容易理解的，就是两点之间连线的长度，对于两个n维的向量rating1和rating2（原书中计算距离的主要目的是根据评分进行推荐，所以变量名取成了这个样子），欧氏距离可以计算如下（已经导入了numpy）：

def euclidean(rating1, rating2):
    distance = 0
    for key in rating1:
        if key in rating2:
            temp = (rating1[key] - rating2[key]) ** 2
            distance += temp
    distance = sqrt(distance)
    return distance

曼哈顿距离 (Manhattan Distance)：

又称城市街区距离，顾名思义，就像穿行在曼哈顿的街区一样，只能走直线然后拐弯在接着走直线，而不是两点之间直线最短，毕竟前面都是居民区对不对...

def manhattan(rating1, rating2):
    distance = 0
    for key in rating1:
        if key in rating2:
            distance += abs(rating1[key] - ratin