Python sklearn manhattan_distances用法及代码示例

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

用法:

sklearn.metrics.pairwise.manhattan_distances(X, Y=None, *, sum_over_features=True)

计算 X 和 Y 中向量之间的 L1 距离。

sum_over_features 等于 False 时，它返回分量距离。

在用户指南中阅读更多信息。

参数：

X：形状类似数组 (n_samples_X, n_features)

Y：形状类似数组 (n_samples_Y, n_features)，默认=无

如果 None ，使用 Y=X 。

sum_over_features：布尔，默认=真

如果为真，则函数返回成对距离矩阵，否则返回分量 L1 pairwise-distances。不支持稀疏矩阵输入。

返回：

D：ndarray 形状 (n_samples_X * n_samples_Y, n_features) 或 (n_samples_X, n_samples_Y)

如果 sum_over_features 为假，则形状为 (n_samples_X * n_samples_Y, n_features) 且 D 包含分量 L1 pairwise-distances(即绝对差)，否则形状为 (n_samples_X, n_samples_Y) 且 D 包含成对 L1 距离。

注意：

当 X 和/或 Y 是 CSR 稀疏矩阵并且它们还不是规范格式时，此函数会就地修改它们以使其规范。

例子：

>>> from sklearn.metrics.pairwise import manhattan_distances
>>> manhattan_distances([[3]], [[3]])
array([[0.]])
>>> manhattan_distances([[3]], [[2]])
array([[1.]])
>>> manhattan_distances([[2]], [[3]])
array([[1.]])
>>> manhattan_distances([[1, 2], [3, 4]],         [[1, 2], [0, 3]])
array([[0., 2.],
       [4., 4.]])
>>> import numpy as np
>>> X = np.ones((1, 2))
>>> y = np.full((2, 2), 2.)
>>> manhattan_distances(X, y, sum_over_features=False)
array([[1., 1.],
       [1., 1.]])