距离产生美——机器学习常用距离numpy计算

欢迎关注，敬请点赞！

面试题：各种距离计算两个样本向量的相似性
my_list1 = [5, 0, 3, 0, 2, 0, 0, 2, 0, 0]
my_list2 = [3, 0, 2, 0, 1, 1, 0, 1, 0, 1]
分别利用曼哈顿距离、欧氏距离、切比雪夫距离、闵可夫斯基距离、余弦距离计算二者之间的相似性。

〇、范数

返回顶部

一、欧氏距离(Euclidean Distance)

返回顶部

1.定义：

欧氏距离（euclidean metric）（也称欧几里得度量，二范数）是通常采用的距离定义，指在m维空间中两个点之间的真实距离。在二维和三维空间中的欧氏距离就是两点之间的实际距离。

2.计算公式：

(1) 二维空间公式：$d(x,y)=\sqrt{(x_2-x_1{)}^2+(y_2-y_1{)}^2}$

(2) 三维空间的公式：$d(x,y)=\sqrt{(x_2-x_1{)}^2+(y_2-y_1{)}^2+(z_2-z_1{)}^2}$

(3) n维空间的公式：$d(x,y)=\sqrt{\sum _{i=1}^n(x_i-y_i{)}^2}$

3.numpy代码实现：

import numpy as np


vector1 = np.array([5, 0, 3, 0, 2, 0, 0, 2, 0, 0])
vector2 = np.array([3, 0, 2, 0, 1, 1, 0, 1, 0, 1])

print('euclidean_dist =', np.linalg.norm(vector1 - vector2))  # ord = 2

结果：

euclidean_dist = 3.0

4.适用的数据分析模型

欧氏距离能够体现个体数值特征的绝对差异，用于需要从维度的数值大小中体现差异的分析，如：

使用用户行为指标，分析用户价值的相似度或差异。

二、曼哈顿距离(Manhattan Distance)

返回顶部

$$红色、黄色、蓝色为曼哈顿距离$$

1.定义：

顾名思义，在曼哈顿街区，要从一个十字路口开车到另一个十字路口，驾驶距离显然不是两点间的直线距离。这个实际驾驶距离就是“曼哈顿距离(一范数)”，也称为“城市街区距离”(City Block distance)。

2.计算公式：

(1) 二维平面两点$a(x_1,y_1)$与$b(x_2,y_2)$间的曼哈顿距离：$d_{}$