使用 SciPy 计算 Minkowski 距离

• Z时代
• 2024-01-10
• 分类：综合

闵可夫斯基距离是欧几里得距离和曼哈顿距离的广义形式，是两点之间的距离。它主要用于向量的距离相似性。

SciPy 为我们提供了一个名为 minkowski 的函数，该函数返回两点之间的 Minkowski 距离。让我们看看如何使用 SciPy 库计算两点之间的 Minkowski 距离 -

示例

# Importing the SciPy library
fromscipy.spatialimport distance
# Defining the points
A = (1, 2, 3, 4, 5, 6)
B = (7, 8, 9, 10, 11, 12)
print(A, B)

((1, 2, 3, 4, 5, 6), (7, 8, 9, 10, 11, 12))

示例

# Importing the SciPy library
fromscipy.spatialimport distance
# Defining the points
A = (1, 2, 3, 4, 5, 6)
B = (7, 8, 9, 10, 11, 12)

# Computing the Minkowski distance
minkowski_distance = distance.minkowski(A, B, p=3)
print('Minkowski Distance b/w', A, 'and', B, 'is: ', minkowski_distance)

Minkowski Distance b/w (1, 2, 3, 4, 5, 6) and (7, 8, 9, 10, 11, 12) is:
10.902723556992836

我们已经用order(p)= 3计算了闵可夫斯基距离。但是当阶数为 2 时，它将代表欧几里得距离，而当阶数为 1 时，它将代表曼哈顿距离。让我们用下面给出的例子来理解它 -

示例

# Importing the SciPy library
fromscipy.spatialimport distance
# Defining the points
A = (1, 2, 3, 4, 5, 6)
B = (7, 8, 9, 10, 11, 12)
A, B

((1, 2, 3, 4, 5, 6), (7, 8, 9, 10, 11, 12))

示例

# minkowski and manhattan distance
minkowski_distance_with_order1 = distance.minkowski(A, B, p=1)
print('Minkowski Distance of order(P)1:',minkowski_distance_with_order1, '\nManhattan Distance: ',manhattan_distance)

Minkowski Distance of order(P)1: 36.0
Manhattan Distance: 36

示例

# minkowski and euclidean distance
minkowski_distance_with_order2 = distance.minkowski(A, B, p=2)
print('Minkowski Distance of order(P)2:',minkowski_distance_order_2, '\nEuclidean
Distance: ',euclidean_distance)

Minkowski Distance of order(P)2: 14.696938456699069
Euclidean Distance: 14.696938456699069

以上是 使用 SciPy 计算 Minkowski 距离 的全部内容， 来源链接： utcz.com/z/317264.html