时间：2023-02-09 13:13:57 | 栏目：Python代码 | 点击：次
from scipy import spatial
在scipy.spatial中最重要的模块应该就是距离计算模块distance了。
scipy.spatial.distance.cdist(XA, XB, metric='euclidean',
p=None, V=None, VI=None, w=None)
该函数用于计算两个输入集合的距离，通过metric参数指定计算距离的不同方式得到不同的距离度量值。
braycurtis
canberra
chebyshev：切比雪夫距离
cityblock
correlation：相关系数
cosine：余弦夹角
dice
euclidean：欧式距离
hamming：汉明距离
jaccard：杰卡德相似系数
kulsinski
mahalanobis：马氏距离
matching
minkowski：闵可夫斯基距离
rogerstanimoto
russellrao
seuclidean：标准化欧式距离
sokalmichener
sokalsneath
sqeuclidean
wminkowski
yule
from scipy.spatial.distance import cdist
import numpy as np
x1 =np.array([(1,3),(2,4),(5,6)])
x2 =[(3,7),(4,8),(6,9)]
cdist(x1,x2,metric='euclidean')
#=================结果=================
array([[ 4.47213595, 5.83095189, 7.81024968],
[ 3.16227766, 4.47213595, 6.40312424],
[ 2.23606798, 2.23606798, 3.16227766]])
解析上述计算过程：结果数组中的第一行数据表示的是x1数组中第一个元素点与x2数组中各个元素点的距离，计算两点之间的距离，以点(1,3)与(3,7)点的距离为例：
np.power((1-3)**2 +(3-7)**2,1/2) #=================结果================= 4.4721359549995796