Python sklearn manhattan_distances用法及代碼示例

本文簡要介紹python語言中 sklearn.metrics.pairwise.manhattan_distances 的用法。

用法:

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

計算 X 和 Y 中向量之間的 L1 距離。

sum_over_features 等於 False 時，它返回分量距離。

在用戶指南中閱讀更多信息。

參數：

X：形狀類似數組 (n_samples_X, n_features)

Y：形狀類似數組 (n_samples_Y, n_features)，默認=無

如果 None ，使用 Y=X 。

sum_over_features：布爾，默認=真

如果為真，則函數返回成對距離矩陣，否則返回分量 L1 pairwise-distances。不支持稀疏矩陣輸入。

返回：

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

如果 sum_over_features 為假，則形狀為 (n_samples_X * n_samples_Y, n_features) 且 D 包含分量 L1 pairwise-distances(即絕對差)，否則形狀為 (n_samples_X, n_samples_Y) 且 D 包含成對 L1 距離。

注意：

當 X 和/或 Y 是 CSR 稀疏矩陣並且它們還不是規範格式時，此函數會就地修改它們以使其規範。

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.]])