参考这篇文章考虑质心问题:https://blog.csdn.net/xiaokang123456kao/article/details/74840843
欧氏距离能够体现个体数值特征的绝对差异,所以更多的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。
余弦距离更多的是从方向上区分差异,而对绝对的数值不敏感,更多的用于使用用户对内容评分来区分兴趣的相似度和差异,同时修正了用户间可能存在的度量标准不统一的问题(因为余弦距离对绝对数值不敏感)。原文
计算两个点之间的欧氏距离:
import numpy as np
def ed(m, n):
return np.sqrt(np.sum((m - n) ** 2))
i = np.array([1, 1])
j = np.array([3, 3])
distance = ed(i, j)
print(distance)
计算一个点到其他所有点的距离值之和:
# airportPosition是矩阵中的某一个点
# x_vals是矩阵中所有的点
distances = np.sqrt(np.sum(np.asarray(airportPosition - x_vals)**2, axis=1))
distances是某一个点到所有点的距离矩阵
来自脚本之家