距离度量——使用 np.linalg.norm 计算两点之间的 Lp 距离

特征空间中两个实例点的距离是两个实例点相似程度的反映。可以用$L_p$ distance来度量两个实例点的距离：
$$L_p(x_i,x_j)={\left(\sum _{l=1}^n{\left|x_i^{(l)}-x_j^{(l)}\right|}^p)\right)}^{\frac{1}{p}}$$
这里 $p\ge 1$。

• 当 $p=1$ 时，称为曼哈顿距离；
• 当 $p=2$ 时，称为欧式距离；
• 当 $p=\infty$ 时，称为切比雪夫距离。它是各个坐标距离的最大值。

Python 中的 numpy 库可以很方便地计算两点（x1, x2）的距离，使用 numpy 中求范数的方法 np.linalg.norm() 实现:

np.linalg.norm(x1-x2, ord=None, axis=None, keepdims=False)

注：
度量（metric）是对一个集合里面的两个元素而言的，是两点间距离的抽象。
范数（norm）是对一个元素而言的，是实数的绝对值或复数的模这样的长度的抽象。

其中各参数分别为（需要更改的是前两个）：

• x1-x2：两个点（向量）各个维度上的差
• ord：求哪一种距离，对应 $p$，默认为 2
• axis：取值 0 或 1，0 表示按列向量处理，求多个列向量的范数。默认为 0
• keepding：是否保持矩阵的二维特性，默认为 False