距离的度量 Python

距离的度量 Python

在机器学习和数据分析中，度量样本之间的相似性或差异性是一项重要任务。距离度量是一种常用的方法，用于计算样本之间的相似性或差异性。Python提供了许多用于计算距离的库和函数，本文将介绍几种常见的距离度量方法，并提供相应的源代码。

1. 欧几里得距离（Euclidean Distance）：
   欧几里得距离是最常用的距离度量方法之一，它计算了两个样本之间的直线距离。在二维空间中，欧几里得距离的计算公式为：

import numpy as np

def euclidean_distance(x, y):
    return np.sqrt(np.sum((x - y) ** 2))

其中，x和y是两个样本的特征向量。

2. 曼哈顿距离（Manhattan Distance）：
   曼哈顿距离是另一种常见的距离度量方法，它计算了两个样本之间沿坐标轴的距离总和。在二维空间中，曼哈顿距离的计算公式为：

import numpy as np

def manhattan_distance(x, y):
    return np.sum(np.abs(x - y))

3. 切比雪夫距离（Chebyshev Distance）：
   切比雪夫距离是一种用于计算样本之间的最大差异的距离度量方法。在二维空间中，切比雪夫距离的计算公式为：

import numpy as np

def chebyshev_distance(x,