Python sklearn euclidean_distances用法及代码示例

本文简要介绍python语言中 sklearn.metrics.pairwise.euclidean_distances 的用法。

用法:

sklearn.metrics.pairwise.euclidean_distances(X, Y=None, *, Y_norm_squared=None, squared=False, X_norm_squared=None)

从向量数组 X 和 Y 计算每对之间的距离矩阵。

出于效率原因，一对行向量 x 和 y 之间的欧式距离计算如下：

dist(x, y) = sqrt(dot(x, x) - 2 * dot(x, y) + dot(y, y))

与其他计算距离的方法相比，该公式有两个优点。首先，它在处理稀疏数据时具有计算效率。其次，如果一个参数变化但另一个保持不变，则可以预先计算dot(x, x) 和/或dot(y, y)。

但是，这不是进行此计算的最精确方法，因为此等式可能会受到“catastrophic cancellation” 的影响。此外，此函数返回的距离矩阵可能并不像 scipy.spatial.distance 函数所要求的那样完全对称。

在用户指南中阅读更多信息。

参数：

X：{类似数组的稀疏矩阵}，形状为 (n_samples_X, n_features)

一个数组，其中每一行是一个样本，每一列是一个特征。

Y：{类数组，稀疏矩阵}，形状为 (n_samples_Y, n_features)，默认=无

一个数组，其中每一行是一个样本，每一列是一个特征。如果 None ，方法使用 Y=X 。

Y_norm_squared：形状为 (n_samples_Y,) 或 (n_samples_Y, 1) 或 (1, n_samples_Y) 的类似数组，默认=无

Y 中向量的预计算 dot-products(例如 (Y**2).sum(axis=1) )在某些情况下可能会被忽略，请参阅下面的注释。

squared：布尔，默认=假

返回平方欧几里得距离。

X_norm_squared：形状为 (n_samples_X,) 或 (n_samples_X, 1) 或 (1, n_samples_X) 的类似数组，默认=无

X 中向量的预计算 dot-products(例如 (X**2).sum(axis=1) )在某些情况下可能会被忽略，请参阅下面的注释。

返回：

distances：ndarray 形状(n_samples_X，n_samples_Y)

返回 X 的行向量与 Y 的行向量之间的距离。

注意：

为了获得更好的准确性，如果 X_norm_squared 和 Y_norm_squared 作为 np.float32 传递，则它们可能未被使用。

例子：

>>> from sklearn.metrics.pairwise import euclidean_distances
>>> X = [[0, 1], [1, 1]]
>>> # distance between rows of X
>>> euclidean_distances(X, X)
array([[0., 1.],
       [1., 0.]])
>>> # get distance to origin
>>> euclidean_distances(X, [[0, 0]])
array([[1.        ],
       [1.41421356]])