基于余弦（欧式距离）的聚类

参考这篇文章考虑质心问题：https://blog.csdn.net/xiaokang123456kao/article/details/74840843

欧式距离和余弦相似度的关系

欧氏距离能够体现个体数值特征的绝对差异，所以更多的用于需要从维度的数值大小中体现差异的分析，如使用用户行为指标分析用户价值的相似度或差异。

余弦距离更多的是从方向上区分差异，而对绝对的数值不敏感，更多的用于使用用户对内容评分来区分兴趣的相似度和差异，同时修正了用户间可能存在的度量标准不统一的问题（因为余弦距离对绝对数值不敏感）。原文

sklearn的模块简介

计算两个点之间的欧氏距离:

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)

计算一个点到其他所有点的距离值之和：

# airportPosition是矩阵中的某一个点
# x_vals是矩阵中所有的点
distances = np.sqrt(np.sum(np.asarray(airportPosition - x_vals)**2, axis=1))

distances是某一个点到所有点的距离矩阵

来自脚本之家