JavaScript实现求两点间距离(附完整源码)

这篇博文介绍了如何使用JavaScript实现计算两点间距离的功能。通过应用勾股定理,函数distance接受两个点的横纵坐标作为参数,计算并返回两点间的距离。示例代码展示了调用distance函数并将结果打印到控制台的过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

JavaScript实现求两点间距离


以下是JavaScript实现求两点间距离的完整源码:

function distance(x1, y1, x2, y2) {
  var dx = x2 - x1;
  var dy = y2 - y1;
  return Math.sqrt(dx * dx + dy * dy);
}

// 示例
var x1 = 0;
var y1 = 0;
var x2 = 3;
var y2 = 4;
var d = distance(x1, y1, x2, y2);
console.log(d); // 输出:5

其中,distance函数接收四个参数,分别是两点的横坐标和纵坐标。计算过程使用勾股定理,即:

d=(x2−x1)2+(y2−y1)2d=\sqrt{(x2-x1)^2+(y2-y1)^2}d=<

k-means算法是一种常见的聚类算法,可以将数据集合分成k个类别。在javascript中,可以使用以下步骤实现k-means算法: 1. 随机选择k个点作为初始的类别中心。 2. 针对每个数据点,计算其与每个类别中心的距离,并将其分配到距离最近的类别中心所代表的类别中。 3. 针对每个类别,重新计算其类别中心。 4. 重复步骤2和3,直到类别中心不再发生变化或达到预设次数。 以下是实现k-means算法的完整javascript代码,假设有一个名为"data"的数组代表需要聚类的数据集合,k为设定的类别个数: ```javascript //随机选择k个点作为初始的类别中心 function kMeans(data, k){ var centroids = [] for(var i=0; i<k; i++){ centroids.push(data[Math.floor(Math.random()*data.length)]) } var iterations = 0 var oldCentroids //重复执行聚类过程,直到类别中心不再发生变化或达到预设次数 do{ oldCentroids = centroids.slice() var clusters = new Array(k).fill(0).map(() => []) //将每个数据点分配到距离最近的类别中心所代表的类别 for(var i=0; i<data.length; i++){ var distances = [] for(var j=0; j<k; j++){ var distance = calculateDistance(data[i],centroids[j]) distances.push(distance) } var minIndex = distances.indexOf(Math.min(...distances)) clusters[minIndex].push(data[i]) } //重新计算每个类别的中心 for(var i=0; i<k; i++){ centroids[i] = calculateCentroid(clusters[i]) } iterations++ } while(iterations<100 && !centroidsEqual(centroids, oldCentroids)) //返回聚类结果 return clusters } //计算两个点之间的欧几里德距离 function calculateDistance(p1, p2){ var sum = 0 for(var i=0; i<p1.length; i++){ sum += Math.pow(p1[i]-p2[i], 2) } return Math.sqrt(sum) } //计算指定类别的中心点 function calculateCentroid(cluster){ var centroid = [] var numDimensions = cluster[0].length for(var i=0; i<numDimensions; i++){ var sum = 0 for(var j=0; j<cluster.length; j++){ sum += cluster[j][i] } centroid.push(sum/cluster.length) } return centroid } //判断两个类别中心是否相等 function centroidsEqual(c1, c2){ var tolerance = 0.0001 for(var i=0; i<c1.length; i++){ for(var j=0; j<c1[i].length; j++){ if(Math.abs(c1[i][j]-c2[i][j]) > tolerance){ return false } } } return true } ``` 这是一个标准的k-means算法实现,但由于javascript运行在浏览器中,性能可能会受到限制。如果需要对大型数据集合进行聚类,可以考虑使用其他高性能语言实现聚类算法,如python、R、C++等。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

源代码大师

赏点狗粮吧

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值