【机器学习】5种距离度量方法详解+Python实现([]+lambda+np.frompyfunc+向量法等多种方法实现)

介绍的五种距离度量方法是：欧氏距离(Euclidean Distance)，曼哈顿距离(Manhattan Distance)，夹角余弦(Angle Cosine)，切比雪夫距离(Chebyshev Distance)，汉明距离(Hamming Distance)。

1.欧式距离(Euclidean Distance)

1.1数学公式

Euclidean Distance，即两点之间的直线距离，数学公式如下所示。

（1）二维平面上两点a(x₁,y₁)，b(x₂,y₂)之间的欧式距离公式

（2）n维空间上两点a(x₁,x₂……..x_n)，b(y₁,y₂……..y_n)的欧式距离公式

1.2Python实现

欧氏距离的实现用了三种方法：

1）lambda+[]

2）function + np.frompyfunc

3）lambda + np.frompyfunc

lambda + np.frompyfunc是最舒服的一种实现（多个）序列之间相互操作的方法。

   # -*- coding: utf-8 -*-
"""
@author: 蔚蓝的天空tom
Aim:五种度量距离方法实现
"""
import numpy as np

def EM1(p):#数学公式法
    '''EuclideanMetric, 欧几里得距离, 也称欧氏距离'''
    y = lambda a,b : np.power(a-b,2)
    s = sum([y(a,b) for (a,b) in zip(p[0], p[1])])
    em = np.sqrt(s)
    return em
   
def e_func(a,b):
    '''求两个数的差的平方'''
    return np.power(a-b,2)
def EM2(P):#function + np.frompyfunc方法
    '''EuclideanMetric, 欧几里得距离, 也称欧氏距离'''
    func = np.frompyfunc(e_func, 2, 1)
    s = sum(func(P[0],P[1]))
    em = np.sqrt(s) 
    return em
    
def EM3(P):#lambda + np.frompyfunc方法
    e_func = lambda a,b : np.power(a-b,2)
    func = np.frompyfunc(e_func, 2, 1)
    s = sum(func(P[0],P[1]))
    em = np.sqrt(s)
    return em
    
def EM4(P):#向量法
    P = np.array(P)
    K = P[0] - P[1]
    em = np.sqrt(sum(K * K.T))#向量乘
    return em
    
if __name__=='__main__':
    #二维空间，(1,2), (3,4)
    p = [[1,2], #p1 = (1,2)
         [3,4]] #p2 = (3,4)
    print('em:', EM1(p), EM2(p),EM3(p), EM4(p))

    #4维空间，(1,2,3,4), (5,6,7,8)
    p = [[1,2,3,4], #p1 = (1,2,3,4)
         [5,6,7,8]] #p2 = (5,6,7,8)
    print('em:', EM1(p), EM2(p), EM3(p), EM4(p))

运行结果：

runfile('C:/Users/tom/5_distance.py', wdir='C:/Users/tom')
em: 2.82842712475 2.82842712475 2.82842712475 2.82842712475
em: 8.0 8.0 8.0 8.0

2.曼哈顿距离(Manhattan Distance)

2.1数学公式

ManhattanDistance，就是相同数轴坐标差的绝对值的和