python公式计算两点距离并输出_Python Numpy计算各类距离的方法

详细:

1.闵可夫斯基距离(Minkowski Distance)

2.欧氏距离(Euclidean Distance)

3.曼哈顿距离(Manhattan Distance)

4.切比雪夫距离(Chebyshev Distance)

5.夹角余弦(Cosine)

6.汉明距离(Hamming distance)

7.杰卡德相似系数(Jaccard similarity coefficient)

8.贝叶斯公式

1.闵氏距离的定义:

两个n维变量A(x11,x12,…,x1n)与 B(x21,x22,…,x2n)间的闵可夫斯基距离定义为：

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

根据变参数的不同，闵氏距离可以表示一类的距离。

np.linalg.norm #是适合使用这个公式

2.欧氏距离(Euclidean Distance)

欧氏距离(L2范数)是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式(如图1.9)。

python实现欧式距离公式的：

vector1 = np.array([1,2,3])

vector2 = np.array([4,5,6])

op1=np.sqrt(np.sum(np.square(vector1-vector2)))

op2=np.linalg.norm(vector1-vector2)

print(op1)

print(op2)

#输出:

#5.196152422