Python SciPy distance.jensenshannon用法及代码示例

本文简要介绍 python 语言中 scipy.spatial.distance.jensenshannon 的用法。

用法:

scipy.spatial.distance.jensenshannon(p, q, base=None, *, axis=0, keepdims=False)#

计算两个概率数组之间的Jensen-Shannon 距离(度量)。这是Jensen-Shannon 散度的平方根。

两个概率向量 p 和 q 之间的 Jensen-Shannon 距离定义为，

\[\sqrt{\frac{D(p \parallel m) + D(q \parallel m)}{2}}\]

其中\(m\) 是\(p\) 和\(q\) 的逐点均值，\(D\) 是Kullback-Leibler 散度。

如果 p 和 q 的总和不等于 1.0，此例程将对它们进行归一化。

参数 ：：

p： (N,) 数组

左概率向量

q： (N,) 数组

右概率向量

base： 双，可选

如果未给出用于计算输出的对数的底，则例程使用 scipy.stats.entropy 的默认底。

axis： 整数，可选

计算 Jensen-Shannon 距离的轴。默认值为 0。

keepdims： 布尔型，可选

如果将其设置为 True，则缩小的轴将作为尺寸为 1 的尺寸留在结果中。使用此选项，结果将针对输入数组正确广播。默认为假。

返回 ：：

js： 双精度或 ndarray

沿轴的 p 和 q 之间的 Jensen-Shannon 距离。

注意：

例子：

>>> from scipy.spatial import distance
>>> import numpy as np
>>> distance.jensenshannon([1.0, 0.0, 0.0], [0.0, 1.0, 0.0], 2.0)
1.0
>>> distance.jensenshannon([1.0, 0.0], [0.5, 0.5])
0.46450140402245893
>>> distance.jensenshannon([1.0, 0.0, 0.0], [1.0, 0.0, 0.0])
0.0
>>> a = np.array([[1, 2, 3, 4],
...               [5, 6, 7, 8],
...               [9, 10, 11, 12]])
>>> b = np.array([[13, 14, 15, 16],
...               [17, 18, 19, 20],
...               [21, 22, 23, 24]])
>>> distance.jensenshannon(a, b, axis=0)
array([0.1954288, 0.1447697, 0.1138377, 0.0927636])
>>> distance.jensenshannon(a, b, axis=1)
array([0.1402339, 0.0399106, 0.0201815])