距离计算

以下内容转自：https://blog.csdn.net/kancy110/article/details/75675574?utm_source=blogxgwz4

scipy.spatial.distance.cdist(XA, XB, metric='euclidean', p=None, V=None, VI=None, w=None)，该函数用于计算两个输入集合的距离，通过metric参数指定计算距离的不同方式得到不同的距离度量值。

metric的取值如下：

 chebyshev：切比雪夫距离
 correlation：相关系数
 cosine：余弦夹角
 euclidean：欧式距离
 hamming：汉明距离
 jaccard：杰卡德相似系数
 mahalanobis：马氏距离
 minkowski：闵可夫斯基距离
 seuclidean：标准化欧式距离

from scipy.spatial import distance
import numpy as np

x1 =np.array([(1,3),(2,4),(5,6)])
x2 =np.array([(3,7),(4,8),(6,9)])
x3 =(1,3)
x4 =(3,7)

#cdist中metric默认参数是欧式距离'euclidean'
y1=distance.cdist(x1,x2,metric='euclidean')
y2=distance.cdist(x1,x2)
#distance.euclidean()只能输入一唯向量，输出结果是float
y3=distance.euclidean(x3,x4) 
print('y1:',y1,'type:',type(y1),'y2:',y2,'type:',type(y2),'y3:',y3,'type:',type(y3))

'''
Out[1]:
y1: [[4.47213595 5.83095189 7.81024968]
 [3.16227766 4.47213595 6.40312424]
 [2.23606798 2.23606798 3.16227766]] type: <class 'numpy.ndarray'> 
y2: [[4.47213595 5.83095189 7.81024968]
 [3.16227766 4.47213595 6.40312424]
 [2.23606798 2.23606798 3.16227766]] type: <class 'numpy.ndarray'> 
y3: 4.47213595499958 type: <class 'numpy.float64'>
'''