Python sklearn nan_euclidean_distances用法及代碼示例

本文簡要介紹python語言中 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)

在存在缺失值的情況下計算歐幾裏得距離。

計算 X 和 Y 中每對樣本之間的歐幾裏德距離，如果 Y=None，則假定 Y=X。在計算一對樣本之間的距離時，此公式忽略任一樣本中缺失值的特征坐標，並按比例增加剩餘坐標的權重：

dist(x,y) = sqrt(weight * sq. 距當前坐標的距離) 其中，weight = 總坐標數 /當前坐標數

例如[3, na, na, 6]和[1, na, 4, 5]之間的距離為：

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

如果缺少所有坐標或沒有共同的當前坐標，則為該對返回NaN。

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：類似數組的形狀=(n_samples_Y, n_features)，默認=無

squared：布爾，默認=假

返回平方歐幾裏得距離。

missing_values：np.nan 或 int，默認=np.nan

缺失值的表示。

copy：布爾，默認=真

製作並使用 X 和 Y 的深層副本(如果 Y 存在)。

返回：

distances：ndarray 形狀(n_samples_X，n_samples_Y)

參考：

• John K. Dixon，“部分缺失數據的模式識別”，IEEE Transactions on Systems, Man, and Cybernetics，第 9 卷，第 10 期，第 617 - 621 頁，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]])