Python SciPy distance.jensenshannon用法及代碼示例

本文簡要介紹 python 語言中 scipy.spatial.distance.jensenshannon 的用法。

用法:

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

計算兩個概率數組之間的Jensen-Shannon 距離(度量)。這是Jensen-Shannon 散度的平方根。

兩個概率向量 p 和 q 之間的 Jensen-Shannon 距離定義為，

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

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

如果 p 和 q 的總和不等於 1.0，此例程將對它們進行歸一化。

參數 ：：

p： (N,) 數組

左概率向量

q： (N,) 數組

右概率向量

base： 雙，可選

如果未給出用於計算輸出的對數的底，則例程使用 scipy.stats.entropy 的默認底。

axis： 整數，可選

計算 Jensen-Shannon 距離的軸。默認值為 0。

keepdims： 布爾型，可選

如果將其設置為 True，則縮小的軸將作為尺寸為 1 的尺寸留在結果中。使用此選項，結果將針對輸入數組正確廣播。默認為假。

返回 ：：

js： 雙精度或 ndarray

沿軸的 p 和 q 之間的 Jensen-Shannon 距離。

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])