1 scipy.spatial
|
1 |
from scipy import spatial |
在scipy.spatial中最重要的模块应该就是距离计算模块distance了。
2 scipy.spatial.distance.cdist
2.1 语法
|
1 2 |
scipy.spatial.distance.cdist(XA, XB, metric='euclidean', p=None, V=None, VI=None, w=None) |
该函数用于计算两个输入集合的距离，通过metric参数指定计算距离的不同方式得到不同的距离度量值。
2.2 metric的取值
braycurtis
canberra
chebyshev：切比雪夫距离
cityblock
correlation：相关系数
cosine：余弦夹角
dice
euclidean：欧式距离
hamming：汉明距离
jaccard：杰卡德相似系数
kulsinski
mahalanobis：马氏距离
matching
minkowski：闵可夫斯基距离
rogerstanimoto
russellrao
seuclidean：标准化欧式距离
sokalmichener
sokalsneath
sqeuclidean
wminkowski
yule
2.3 常用欧氏距离计算
|
1 2 3 4 5 6 7 8 9 10 11 |
from scipy.spatial.distance import cdist import numpy as np x1 =np.array([(1,3),(2,4),(5,6)]) x2 =[(3,7),(4,8),(6,9)] cdist(x1,x2,metric='euclidean')
#=================结果=================
array([[ 4.47213595, 5.83095189, 7.81024968], [ 3.16227766, 4.47213595, 6.40312424], [ 2.23606798, 2.23606798, 3.16227766]]) |
解析上述计算过程：结果数组中的第一行数据表示的是x1数组中第一个元素点与x2数组中各个元素点的距离，计算两点之间的距离，以点(1,3)与(3,7)点的距离为例：
|
1 2 3 4 5 |
np.power((1-3)**2 +(3-7)**2,1/2)
#=================结果=================
4.4721359549995796 |
