K-means聚类算法第1关：计算欧几里得距离

 任务描述

本关实现一个函数来计算欧几里得距离。

相关知识

K-means 算法的核心思想是，将数据集中的样本聚类为多个簇集，簇内样本距离较近，簇间样本距离较远。由此可见，其最基本的运算是判断样本（如书籍、电影、用户、汽车等）之间的距离（或者相似度）。

通常数据集中的样本都可描述为一个 n 维向量X(x1​,x2​,⋯,xn​)。每一个维度代表样本的一个属性。比如，对于用户 x 而言，其属性可能是收入、年龄、工作时间等，对于电影而言，其属性可能是出品年份、导演、风格等。本关卡学习欧几里得度量。

欧几里得度量（Euclidean metric）（也称欧氏距离）是一个常用的距离定义，计算 n 维空间中，两个样本点之间的几何距离。

两个在 n 维空间的点X(x1​,x2​,⋯,xn​)和Y(y1​,y2​,⋯,yn​)的欧几里得距离为：

编程要求

本关卡要求你实现函数 euclid_distance，在右侧编辑器 Begin-End 区间补充代码，需要填充的代码块如下：

1. # -*- coding: utf-8 -*-
2. import numpy as np
3. def euclid_distance(x1, x2):
4. """计算两个点之间点欧式距离
5. 参数:
6. x1-numpy数组
7. x2-numpy数组
8. 返回值：
9. ret-浮点型数据
10. """
11. # 请在此添加实现代码 #
12. ret = 0
13. #********** Begin *********#
15. #********** End ***********#
16. return ret

测试说明

平台将对你的函数输入两个 Numpy 数组，计算欧式距离，比对函数 euclid_distance 的输出结果与正确结果的差异，只有完全正确才能进入下一关。

---

开始你的任务吧，祝你成功！

# -*- coding: utf-8 -*-
import numpy as np
def euclid_distance(x1, x2):
    """计算欧几里得距离
    参数:
        x1 - numpy数组
        x2 - numpy数组
    返回值：
        distance - 浮点数，欧几里得距离
    """
    distance = 0
    #   请在此添加实现代码     #
    #********** Begin *********#
    distance = np.sqrt(np.sum(np.square(x1-x2)))
    #********** End ***********#
    return distance