距离度量方法——欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离

目录

一、 欧氏距离（Euclidean Distance）

1、简介

2、代码实现

二、曼哈顿距离（Manhattan Distance）

1、简介

2、代码实现

三、切比雪夫距离（Chebyshev Distance）

1、简介

2、代码实现

四、闵可夫斯基距离（Minkowski Distance）

1、简介

2、代码实现

---

一、 欧氏距离（Euclidean Distance）

1、简介

• 欧氏距离是最常见的距离度量方法之一。它衡量了两个点之间的直线距离。
• 在二维空间中，欧氏距离可以用以下公式表示：
• ，其中 p 和 q 是两个点的坐标，n 是维度数量。

2、代码实现

• 计算两个二维点  和  之间的欧氏距离。

• import math
  
  def euclidean_distance(p, q):
      distance = math.sqrt((p[0] - q[0])**2 + (p[1] - q[1])**2)
      return distance
  
  p = (1, 2)
  q = (3, 4)
  distance = euclidean_distance(p, q)
  print("欧氏距离:", distance)

---

二、曼哈顿距离（Manhattan Distance）

1、简介

• 曼哈顿距离是衡量两点之间的城市街道距离，即沿着网格线的距离。
• 在二维空间中，曼哈顿距离可以用以下公式表示：
  • ，其中 p 和 q 是两个点的坐标，n 是维度数量。

2、代码实现

• 计算两个二维点  和  之间的曼哈顿距离。

• def manhattan_distance(p, q):
      distance = abs(p[0] - q[0]) + abs(p[1] - q[1])
      return distance
  
  p = (1, 2)
  q = (3, 4)
  distance = manhattan_distance(p, q)
  print("曼哈顿距离:", distance)

---

三、切比雪夫距离（Chebyshev Distance）

1、简介

• 切比雪夫距离是衡量两个点在各个坐标轴上的最大差值。
• 在二维空间中，切比雪夫距离可以用以下公式表示：
  • ，其中 p 和 q 是两个点的坐标，n 是维度数量。

2、代码实现

•  计算两个二维点  和  之间的切比雪夫距离。

• def chebyshev_distance(p, q):
      distance = max(abs(p[0] - q[0]), abs(p[1] - q[1]))
      return distance
  
  p = (1, 2)
  q = (3, 4)
  distance = chebyshev_distance(p, q)
  print("切比雪夫距离:", distance)

---

四、闵可夫斯基距离（Minkowski Distance）

1、简介

• 闵可夫斯基距离是欧氏距离和曼哈顿距离的一般化形式。
• 闵可夫斯基距离可以表示为： 
  • ，其中 p 和 q 是两个点的坐标，n 是维度数量，r 是一个非负整数。
  • 当 r=1 时，它等同于曼哈顿距离；当 r=2 时，等同于欧氏距离。

2、代码实现

• 计算两个二维点  和  之间的闵可夫斯基距离。

• def minkowski_distance(p, q, r):
      distance = sum(abs(p[i] - q[i])**r for i in range(len(p)))**(1/r)
      return distance
  
  p = (1, 2)
  q = (3, 4)
  r = 2  # 欧氏距离
  distance = minkowski_distance(p, q, r)
  print("闵可夫斯基距离 (r={}):".format(r), distance)
  
  r = 1  # 曼哈顿距离
  distance = minkowski_distance(p, q, r)
  print("闵可夫斯基距离 (r={}):".format(r), distance)