python distance matrix_机器学习中的距离盘点

1. 欧氏距离

欧式距离欧氏距离是最常见也是最常用的一种距离计算方式，也叫欧几里得距离、

距离。 函数形式如下：

表示两个

维向量，

为两个

维向量的欧式距离。

python实现

import numpy as np

x = np.random.random(10)

y = np.random.random(10)

# n维向量

#方法一：根据公式求解

d1 = np.sqrt(np.sum(np.square(x - y)))

#方法二：根据np.linalg.norm求解

d2 = np.linalg.norm(x-y)

#方法三：根据scipy库求解

from scipy.spatial.distance import pdist

X = np.vstack([x,y]) #将x,y两个一维数组合并成一个2D数组 ；[[x1,x2,x3...],[y1,y2,y3...]]

d3 = pdist(X) #d2=np.sqrt(x1-y1)

# m * n维矩阵欧氏距离计算， 一行代表一个样本，一列代表一个特征，计算对应样本间欧氏距离

from sklearn.metrics import pairwise_distances

from scipy.spatial import distance_matrix

from scipy.spatial.distance import cdist

d1 = pairwise_distances(x.reshape(-1, 10), y.reshape(-1, 10)) # 运行时间次之 占cpu多

d2 = distance_matrix(x.reshape(-1, 10), y.reshape(-1, 10))

d3 = cdist(x.reshape(-1, 10), y.reshape(-1, 10)) # 运行时间最短 占cpu少，建议使用

2. 曼哈顿距离

曼哈顿距离也称为城市街区距离、

距离，顾名思义，假设在曼哈顿街区从P点到Q点，我们不能直接穿过高楼大厦走直线的距离，而是表示走过的街道的距离。在二维坐标上的表示，即两个点在标准坐标系上的绝对轴距之和。具体公式表示：

表示两个

维向量，

为两个

维向量的曼哈顿距离。

python实现

import numpy as np

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

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

d1 = np.sum(np.abs(x-y))

d2 = np.linalg.norm(x-y, ord=1)

from scipy.spatial.distance import pdist

X=np.vstack([x,y])

d3=pdist(X,'cityblock')

3. 闵氏距离

闵氏距离，全名闵可夫斯基距离，它不是一种距离，而是一组距离的定义，是对多个距离度量公式的概括性的表述。函数表达：

p取1或2时的明氏距离是最为常用的：

p = 2即为欧氏距离。

p = 1时则为曼哈顿距离。

当p取无穷时的极限情况下，可以得到切比雪夫距离

P为不同值时，等距离组成的形状：

python实现

import numpy as np

x=np.random.random(10)

y=np.random.random(10)

#方法一：根据公式求解,p=2

d1=np.sqrt(np.sum(np.square(x-y)))

d2 = np.linalg.norm(x-y, ord=2)

from scipy.spatial.distance import pdist

X=np.vstack([x,y])

d3=pdist(X,'minkowski',p=2)

4. 切比雪夫距离

切比雪夫距离，也叫

度量，在国际象棋中，国王可以直行、横行、斜行，所以国王走一步可以移动到相邻的8个方格中的任意一个。国王从格子(x1，y1)走到格子(x2，y2)最少需要多少步，这个距离就叫切比雪夫距离。表示为：

python实现

import