常用的向量距离公式

最新推荐文章于 2023-08-19 23:02:58 发布

无宠不惊过一生

最新推荐文章于 2023-08-19 23:02:58 发布

阅读量2.1w

点赞数 1

分类专栏： python 文章标签： python 距离公式

本文链接：https://blog.csdn.net/weixin_43330946/article/details/105032182

版权

本文介绍了向量距离计算的四种常见公式：欧式距离、曼哈顿距离、切比雪夫距离和马氏距离。欧式距离基于欧几里得几何；曼哈顿距离对应城市街区的实际路径；切比雪夫距离允许最大偏差；马氏距离考虑了数据的协方差，当协方差矩阵为单位或对角时，分别退化为欧式或标准化欧式距离。

摘要由CSDN通过智能技术生成

1、欧式距离

欧几里得度量（educlidean metric），指在m维空间中两点之间的真实距离，或者向量的自然长度，即该点到原点的距离。

$d(x,y)=\sqrt{\sum _{i=1} ^{n} (x_{i}-y_{i})^2}$

import numpy as np
dist = np.sqrt(np.sum(np.square(x-y)))

#或者
from scipy.spatial.distance import pdist
dist = pdist(np.vstack([x,y]))

Manhattan Distance，也称为城市街区距离（City Block distance）。如果把欧式距离理解成点到点的直线距离，那么曼哈顿距离就指的是两点之间的实际距离（不一定是直线）。

$d(x,y) = \sum_{i=1}^{n} |x_i - y_i|$

关注