计算Python Numpy向量之间的欧氏距离,已知vec1和vec2是两个Numpy向量,欧氏距离计算如下:

import numpy dist = numpy.sqrt(numpy.sum(numpy.square(vec1 - vec2)))

或者直接:

dist = numpy.linalg.norm(vec1 - vec2)

补充知识:Python中计算两个数据点之间的欧式距离,一个点到数据集中其他点的距离之和

如下所示:

计算数两个数据点之间的欧式距离

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)

在jupyter 中运输代码输出结果如下:


计算Python Numpy向量之间的欧氏距离实例_第1张图片


计算一个点到数据集中其他点的距离之和

from scipy import *
import pylab as pl
  
all_points = rand(500, 2)
pl.plot(all_points[:, 0], all_points[:, 1], 'b.')
pl.show()

在jupyter 中运输代码输出结果如下:


计算Python Numpy向量之间的欧氏距离实例_第2张图片


from scipy import *
import pylab as pl
  
all_points = rand(500, 2)
pl.plot(all_points[:, 0], all_points[:, 1], 'b.')
pl.show()

定义函数计算距离

def cost(c, all_points): #指定点,all_points:为集合类的所有点 return sum(sum((c - all_points) ** 2, axis=1) ** 0.5)

以上这篇计算Python Numpy向量之间的欧氏距离实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。