scipy.spatial.distance.cdist

目录

1 scipy.spatial

2 scipy.spatial.distance.cdist

2.1 语法

2.2 metric的取值

2.3 常用欧氏距离计算 

---

1 scipy.spatial

from scipy import spatial

在scipy.spatial中最重要的模块应该就是距离计算模块distance了。

2 scipy.spatial.distance.cdist

2.1 语法

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。

2.2 metric的取值

braycurtis
 canberra
 chebyshev：切比雪夫距离
 cityblock
 correlation：相关系数
 cosine：余弦夹角
 dice
 euclidean：欧式距离
 hamming：汉明距离
 jaccard：杰卡德相似系数
 kulsinski
 mahalanobis：马氏距离
 matching
 minkowski：闵可夫斯基距离
 rogerstanimoto
 russellrao
 seuclidean：标准化欧式距离
 sokalmichener
 sokalsneath
 sqeuclidean
 wminkowski
 yule

2.3 常用欧氏距离计算 

from scipy.spatial.distance import cdist
import numpy as np
x1 =np.array([(1,3),(2,4),(5,6)])
x2 =[(3,7),(4,8),(6,9)]
cdist(x1,x2,metric='euclidean')

#=================结果=================

array([[ 4.47213595,  5.83095189,  7.81024968],
       [ 3.16227766,  4.47213595,  6.40312424],
       [ 2.23606798,  2.23606798,  3.16227766]])

解析上述计算过程：结果数组中的第一行数据表示的是x1数组中第一个元素点与x2数组中各个元素点的距离，计算两点之间的距离，以点(1,3)与(3,7)点的距离为例：

np.power((1-3)**2 +(3-7)**2,1/2)

#=================结果=================

4.4721359549995796