Python sklearn nan_euclidean_distances用法及代码示例

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

用法:

sklearn.metrics.pairwise.nan_euclidean_distances(X, Y=None, *, squared=False, missing_values=nan, copy=True)

在存在缺失值的情况下计算欧几里得距离。

计算 X 和 Y 中每对样本之间的欧几里德距离，如果 Y=None，则假定 Y=X。在计算一对样本之间的距离时，此公式忽略任一样本中缺失值的特征坐标，并按比例增加剩余坐标的权重：

dist(x,y) = sqrt(weight * sq. 距当前坐标的距离) 其中，weight = 总坐标数 /当前坐标数

例如[3, na, na, 6]和[1, na, 4, 5]之间的距离为：

\[\sqrt{\frac{4}{2}((3-1)^2 + (6-5)^2)}\]

如果缺少所有坐标或没有共同的当前坐标，则为该对返回NaN。

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：类似数组的形状=(n_samples_Y, n_features)，默认=无

squared：布尔，默认=假

返回平方欧几里得距离。

missing_values：np.nan 或 int，默认=np.nan

缺失值的表示。

copy：布尔，默认=真

制作并使用 X 和 Y 的深层副本(如果 Y 存在)。

返回：

distances：ndarray 形状(n_samples_X，n_samples_Y)

参考：

• John K. Dixon，“部分缺失数据的模式识别”，IEEE Transactions on Systems, Man, and Cybernetics，第 9 卷，第 10 期，第 617 - 621 页，1979 年 10 月。http://ieeexplore.ieee.org/abstract/document/4310090/

例子：

>>> from sklearn.metrics.pairwise import nan_euclidean_distances
>>> nan = float("NaN")
>>> X = [[0, 1], [1, nan]]
>>> nan_euclidean_distances(X, X) # distance between rows of X
array([[0.        , 1.41421356],
       [1.41421356, 0.        ]])

>>> # get distance to origin
>>> nan_euclidean_distances(X, [[0, 0]])
array([[1.        ],
       [1.41421356]])