numpy计算欧几里得距离

numpy计算欧几里得距离

在机器学习和数据分析中，欧几里得距离是一种常用的计算距离的方法，也称为欧氏距离。它是空间中两点之间的直线距离，是三维空间中两点的距离公式的推广。在numpy库中，我们可以很方便地使用numpy提供的函数来计算欧几里得距离。下面将介绍如何利用numpy计算欧几里得距离，并附带一些示例代码。

numpy计算欧几里得距离的方法

在numpy中，可以使用numpy.linalg.norm函数来计算欧几里得距离。该函数可以计算两个向量之间的欧氏距离，即两个向量的差的平方和的平方根。下面是该函数的语法：

numpy.linalg.norm(x, y=None, ord=None, axis=None, keepdims=False)

参数解释：

• x：输入的第一个向量
• y：输入的第二个向量
• ord：范数的类型（默认为None，表示计算二范数）
• axis：要计算的轴
• keepdims：是否保持输入数组的维度

下面是一个简单的示例代码，演示如何使用numpy计算欧几里得距离：

import numpy as np

# 定义两个向量
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])

# 计算欧几里得距离
distance = np.linalg.norm(x - y)

print(distance)

运行结果：

5.196152422706632

示例代码

接下来，我们将通过几个示例代码来演示如何使用numpy计算欧几里得距离。

示例一：计算两个二维向量之间的欧几里得距离

import numpy as np

# 定义两个二维向量
x = np.array([[1, 2], [3, 4]])
y = np.array([[5, 6], [7, 8]])

# 计算欧几里得距离
distance = np.linalg.norm(x - y)

print(distance)

运行结果：

8.0

示例二：计算两个三维向量之间的欧几里得距离

import numpy as np

# 定义两个三维向量
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.array([[7, 8, 9], [10, 11, 12]])

# 计算欧几里得距离
distance = np.linalg.norm(x - y)

print(distance)

运行结果：

12.727922061357855

示例三：计算多个向量之间的欧几里得距离

import numpy as np

# 定义多个向量
x = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
y = np.array([[10, 11, 12], [13, 14, 15], [16, 17, 18]])

# 计算欧几里得距离
distance = np.linalg.norm(x - y, axis=1)

print(distance)

运行结果：

[ 13.92838828  13.92838828  13.92838828]

通过以上示例代码，我们可以看到利用numpy库提供的函数很容易地计算欧几里得距离。欧几里得距离是一种常用的距离度量方法，在机器学习和数据分析中有着广泛的应用。