Distance computations (scipy.spatial.distance)

    Function reference

从存储在矩形阵列中的原始观测向量集合计算的距离矩阵。

pdist(X[, metric, out])	n维空间中观测值之间的两两距离。
cdist(XA, XB[, metric, out])	计算两个输入集合中每对之间的距离。
squareform(X[, force, checks])	将矢量形式的距离向量转换为方阵形式的距离矩阵，反之亦然。
directed_hausdorff(u, v[, seed])	计算两个二维阵列之间的有向Hausdorff距离。

用于检查距离矩阵的有效性的谓词，包括压缩的和冗余的。这个模块中还包含了计算距离矩阵中观测数的函数。

is_valid_dm(D[, tol, throw, name, warning])	如果输入数组是一个有效的距离矩阵，则返回True。
is_valid_y(y[, warning, throw, name])	如果输入数组是有效的压缩距离矩阵，则返回True。
num_obs_dm(d)	返回原始观测值的数目，对应于一个平方的、冗余的距离矩阵。
num_obs_y(Y)	返回原始观测值的数目，对应于一个平方的、冗余的距离矩阵。

两个数值向量u和v之间的距离函数对于这些函数来说，在大量向量集合上计算距离是低效的。为此使用pdist。

braycurtis(u, v[, w])	计算两个一维数组之间的布雷-柯蒂斯距离。
canberra(u, v[, w])	计算两个一维数组之间的堪培拉距离
canberra(u, v[, w])	计算切比雪夫距离。
cityblock(u, v[, w])	计算城市街区(曼哈顿)的距离。
correlation(u, v[, w, centered])	计算两个一维数组之间的相关距离。
cosine(u, v[, w])	计算一维数组之间的余弦距离。
euclidean(u, v[, w])	计算两个一维数组之间的欧几里德距离。
jensenshannon(p, q[, base, axis, keepdims])	计算两个概率阵列之间的Jensen-Shannon距离(度量值)。
mahalanobis(u, v, VI)	计算两个一维数组之间的马氏距离。
minkowski(u, v[, p, w])	计算两个一维阵列之间的闵可夫斯基距离。
seuclidean(u, v, V)	返回两个一维数组之间的标准化欧几里德距离。
sqeuclidean(u, v[, w])	计算两个一维数组之间欧几里得距离的平方。

两个布尔向量(表示集合)u和v之间的距离函数。在数值向量的情况下，pdist对于计算所有对之间的距离更有效。

dice(u, v[, w])	计算两个布尔1-D数组之间的dice不相似度。
hamming(u, v[, w])	计算两个一维数组之间的hanming距离。
jaccard(u, v[, w])	计算两个布尔1-D数组之间的Jaccard-Needham不相似度。
kulsinski(u, v[, w])	计算两个布尔1-D数组之间的Kulsinski不相似度。
kulczynski1(u, v, *[, w])	计算两个布尔1- d数组之间的Kulczynski 1不相似度。
rogerstanimoto(u, v[, w])	计算两个布尔1-D数组之间的Rogers-Tanimoto不相似度。
russellrao(u, v[, w])	计算两个布尔1-D数组之间的Russell-Rao不相似度。
sokalmichener(u, v[, w])	计算两个布尔1-D数组之间的 Sokal-Michener不相似度。
sokalsneath(u, v[, w])	计算两个一维布尔数组之间的Sokal-Sneath不相似度。
yule(u, v[, w])	计算两个布尔1-D数组之间的Yule不相似性。