【机器学习】5种距离度量方法详解+Python实现([]+lambda+np.frompyfunc+向量法等多种方法实现)

最新推荐文章于 2025-07-16 08:30:00 发布
原创 最新推荐文章于 2025-07-16 08:30:00 发布 · 2.8k 阅读 · 8 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
人工智能

当前文章被收录于：

人工智能
109 篇文章 18 人学习
订阅专栏 查看详情
机器学习

当前文章被收录于：

机器学习
95 篇文章 12 人学习
订阅专栏 查看详情
跟我一起学机器学习 Machine Learning

当前文章被收录于：

跟我一起学机器学习 Machine Learning
95 篇文章 26 人学习

本专栏对涉及到的机器学习算法从概念、原理、公式、应用、python实践等各个方向进行详细讲解和实践。达到即使没有接触过机器学习的人也能从零学起，，并能掌握和应用。 注：最起码2018年内都会一直更新将机器学习主要内容呈现出来，2019更新以精华总结为主

订阅专栏 查看详情
本文详细介绍了机器学习中常用的五种距离度量方法：欧式距离、曼哈顿距离、夹角余弦、切比雪夫距离和汉明距离，并分别给出了它们的数学公式和Python实现示例。

介绍的五种距离度量方法是：欧氏距离(Euclidean Distance)，曼哈顿距离(Manhattan Distance)，夹角余弦(Angle Cosine)，切比雪夫距离(Chebyshev Distance)，汉明距离(Hamming Distance)。

1.欧式距离(Euclidean Distance)

1.1数学公式

Euclidean Distance，即两点之间的直线距离，数学公式如下所示。

（1）二维平面上两点a(x1,y1)，b(x2,y2)之间的欧式距离公式


（2）n维空间上两点a(x1,x2……..xn)，b(y1,y2……..yn)的欧式距离公式


1.2Python实现

欧氏距离的实现用了三种方法：

1）lambda+[]

2）function + np.frompyfunc

3）lambda + np.frompyfunc

lambda + np.frompyfunc是最舒服的一种实现（多个）序列之间相互操作的方法。

   # -*- coding: utf-8 -*-
"""
@author: 蔚蓝的天空tom
Aim:五种度量距离方法实现
"""
import numpy as np

def EM1(p):#数学公式法
    '''EuclideanMetric, 欧几里得距离, 也称欧氏距离'''
    y = lambda a,b : np.power(a-b,2)
    s = sum([y(a,b) for (a,b) in zip(p[0], p[1])])
    em = np.sqrt(s)
    return em
   
def e_func(a,b):
    '''求两个数的差的平方'''
    return np.power(a-b,2)
def EM2(P):#function + np.frompyfunc方法
    '''EuclideanMetric, 欧几里得距离, 也称欧氏距离'''
    func = np.frompyfunc(e_func, 2, 1)
    s = sum(func(P[0],P[1]))
    em = np.sqrt(s) 
    return em
    
def EM3(P):#lambda + np.frompyfunc方法
    e_func = lambda a,b : np.power(a-b,2)
    func = np.frompyfunc(e_func, 2, 1)
    s = sum(func(P[0],P[1]))
    em = np.sqrt(s)
    return em
    
def EM4(P):#向量法
    P = np.array(P)
    K = P[0] - P[1]
    em = np.sqrt(sum(K * K.T))#向量乘
    return em
    
if __name__=='__main__':
    #二维空间，(1,2), (3,4)
    p = [[1,2], #p1 = (1,2)
         [3,4]] #p2 = (3,4)
    print('em:', EM1(p), EM2(p),EM3(p), EM4(p))

    #4维空间，(1,2,3,4), (5,6,7,8)
    p = [[1,2,3,4], #p1 = (1,2,3,4)
         [5,6,7,8]] #p2 = (5,6,7,8)
    print('em:', EM1(p), EM2(p), EM3(p), EM4(p))

运行结果：

runfile('C:/Users/tom/5_distance.py', wdir='C:/Users/tom')
em: 2.82842712475 2.82842712475 2.82842712475 2.82842712475
em: 8.0 8.0 8.0 8.0

2.曼哈顿距离(Manhattan Distance)

2.1数学公式

ManhattanDistance，就是相同数轴坐标差的绝对值的和

（1）二维平面上两点a(x1,y1)，b(x2,y2)之间的曼哈顿距离


（2）n维空间上两点a(x1,x2……..xn)，b(y1,y2……..yn)的曼哈顿距离公式：


2.2Python实现

# -*- coding: utf-8 -*-
"""
@author: 蔚蓝的天空tom
Aim:用尽可能多的方法实现曼哈顿距离Manhattan Distance
"""
import numpy as np
def MD1(P):#数学公式法
    y = lambda a,b : np.abs(a-b)
    md = sum([y(a,b) for (a,b) in zip(P[0], P[1])])
    return md
    
def e_func(a,b):
    return np.abs(a-b)
def MD2(P):#function + np.frompyfunc方法
    func = np.frompyfunc(e_func, 2, 1)
    md = sum(func(P[0], P[1]))
    return md
    
def MD3(P):#lambda + np.frompyfunc方法
    e_func = lambda a,b : np.abs(a-b)
    func = np.frompyfunc(e_func, 2, 1)
    md = sum(func(P[0], P[1]))
    return md
    
def MD4(P):#
    e_func = lambda x: np.abs(x)
    func = np.frompyfunc(e_func, 1, 1)
    #md = sum(func(P[0] - P[1])) #error:list不支持-运算符
  P = np.array(P)
    md = sum(func(P[0] - P[1]))#np.ndarray向量减    return mdif __name__=='__main__':    #二维空间，(1,2), (3,4)    P = [[1,2], #p1 = (1,2)         [3,4]] #p2 = (3,4)    print('md:', MD1(P), MD2(P), MD3(P), MD4(P))    #n维空间，(1,2,3,4), (5,6,7,8)    P = [[1,2,3,4], #p1 = (1,2,3,4)         [5,6,7,8]] #p2 = (5,6,7,8)    print('md:', MD1(P), MD2(P), MD3(P), MD4(P))    

运行结果：

runfile('C:/Users/tom/Manhattan_Distance.py', wdir='C:/Users/tom')
md: 4 4 4 4
md: 16 16 16 16

3.夹角余弦

3.1数学公式

（1）二维平面上两向量a(x1,y1)，b(x2,y2)之间的夹角余弦公式


也可以使用向量方法计算：


（2）n维空间上两点a(x1,x2……..xn)，b(y1,y2……..yn)的夹角余弦公式    


3.2Python实现

# -*- coding: utf-8 -*-
"""
@author: 蔚蓝的天空tom
Aim:用尽可能多的方法实现夹角余弦angle cosine
"""

import numpy as np

def AC1(P):
    '''数学公式法'''
    #分子
    numerator = sum([(a*b) for (a,b) in zip(P[0], P[1])])
    #分母
    sq1 = np.sqrt(sum([np.power(e,2) for e in P[0]]))
    sq2 = np.sqrt(sum([np.power(e,2) for e in P[1]]))
    denominator = sq1 * sq2
    #夹角余弦公式
    ac = numerator * 1.0/denominator
    return ac
    
def e_func(a,b):
    '''实现a*b，如果计算a*a，可以传入a,a'''
    return a*b
def AC2(P):
    '''function + np.frompyfunc方法'''
    func = np.frompyfunc(e_func, 2, 1)
    #分子
    numerator = sum(func(P[0], P[1]))
    #分母
    denminator = np.sqrt(sum(func(P[0], P[0]))) * \
                 np.sqrt(sum(func(P[1], P[1])))
    #夹角余弦
    ac = numerator * 1.0/denminator
    return ac

def AC3(P):
    '''lambda + np.frompyfunc方法'''
    e_func = lambda a,b : a*b
    func = np.frompyfunc(e_func, 2, 1)
    numerator = sum(func(P[0], P[1]))
    denminator = np.sqrt(sum(func(P[0], P[0]))) *\
                 np.sqrt(sum(func(P[1], P[1])))
    ac = numerator * 1.0/denminator
    return ac

def AC4(P):
    '''向量法'''
    #numberator = sum(P[0]*P[1].T)#error:'list' object has no attribute 'T'
    P = np.array(P) #先转化为np.ndarray
    numberator = sum(P[0]*P[1].T)#向量乘
    denminator = np.sqrt(sum(P[0]*P[0].T)) *\
                 np.sqrt(sum(P[1]*P[1].T))
    ac = numberator * 1.0/denminator
    return ac
    
if __name__=='__main__':
    #二维空间，(1,2), (3,4)
    P = [[1,2], #p1 = (1,2)
         [3,4]] #p2 = (3,4)
    print('ac:', AC1(P), AC2(P), AC3(P), AC4(P))
    #n维空间，(1,2,3,4), (5,6,7,8)
    P = [[1,2,3,4], #p1 = (1,2,3,4)
         [5,6,7,8]] #p2 = (5,6,7,8)
    print('ac:', AC1(P), AC2(P), AC3(P), AC4(P))

运行结果：

runfile('C:/Users/tom/angle_cosine.py', wdir='C:/Users/tom')
ac: 0.9838699101 0.9838699101 0.9838699101 0.9838699101
ac: 0.968863931627 0.968863931627 0.968863931627 0.968863931627

4.切比雪夫距离(Chebyshev Distance)

4.1数学公式

（1）二维平面上两点a(x1,y1)，b(x2,y2)之间的切比雪夫距离公式


（2）n维空间上两点a(x1,x2……..xn)，b(y1,y2……..yn)的切比雪夫距离公式


4.2Python实现

# -*- coding: utf-8 -*-
"""
@author: 蔚蓝的天空tom
Aim:用尽可能多的方法实现切比雪夫距离(Chebyshev Distance)
"""

import numpy as np

def CD1(P):
    '''数学公式法'''
    y = [np.abs(a-b) for (a,b) in zip(P[0],P[1])]
    cd = max(y)
    return cd
    
def e_func(a,b):
    return np.abs(a-b)
def CD2(P):
    '''function + np.frompyfunc方法'''
    func = np.frompyfunc(e_func, 2, 1)
    cd = max(func(P[0], P[1]))
    return cd
    
def CD3(P):
    '''lambda + np.frompyfunc'''
    e_func = lambda a,b : np.abs(a-b)
    func = np.frompyfunc(e_func, 2, 1)
    cd = max(func(P[0], P[1]))
    return cd

def CD4(P):
    '''向量法'''
    P = np.array(P)
    cd = max(np.abs(P[0] - P[1])) #向量减和元素取绝对值
    return cd
    
if __name__=='__main__':
    #二维空间，(1,2), (3,4)
    P = [[1,2], #p1 = (1,2)
         [3,5]] #p2 = (3,5)
    print('cd:', CD1(P), CD2(P), CD3(P), CD4(P))
    #n维空间，(1,2,3,4), (5,7,9,11)
    P = [[1,2,3,4], #p1 = (1,2,3,4)
         [5,7,9,11]] #p2 = (5,7,9,11)
    print('cd:', CD1(P), CD2(P), CD3(P), CD4(P))

运行结果：

runfile('C:/Users/tom/cd.py', wdir='C:/Users/tom')
cd: 3 3 3 3
cd: 7 7 7 7

5.汉明距离(Hamming Distance)

5.1数学公式

概念：汉明距离（Hamming Distance）就是以理查德.卫斯里.汉明的名字命名的。在信息论中，两个等长字符串之间的汉明距离就是两个字符串对应位置的不同字符的个数。换句话说，它就是将一个字符串变换成另外一个字符串所需要替换的字符个数。

1001101与1011001之间的汉明距离就是2

95271314与95371234之间的汉明距离就是3

hello与Xello之间的汉明距离就是1

5.2Python实现

# -*- coding: utf-8 -*-
"""
@author: 蔚蓝的天空tom
Aim：尽量多的方法实现汉明距离(Hamming Distance)
"""

import numpy as np

def HD1(S):
    '''数学公式法'''
    diff = lambda a,b : (a != b and [1] or [0])[0]
    d = [diff(a,b) for (a,b) in zip(S[0], S[1])]
    hd = d.count(1)
    return hd
    
def e_func(a,b):
    return ((a!=b) and [1] or [0])[0]
def HD2(S):
    '''function + np.frompyfunc方法'''
    func = np.frompyfunc(e_func, 2, 1)
    y = func(list(S[0]), list(S[1]))
    hd = list(y).count(1)
    return hd
    
def HD3(S):
    '''lambda + np.frompyfunc方法'''
    e_func = lambda a,b : (a!=b and [1] or [0])[0]
    func = np.frompyfunc(e_func, 2, 1)
    y = func(list(S[0]), list(S[1]))
    hd = list(y).count(1)
    return hd

def HD4(S):
    '''向量法,先实现了数字字符串'''
    s1 = np.array(list(S[0]), dtype=int)#向量法的必要条件:str--->list--->array
    s2 = np.array(list(S[1]), dtype=int)    
    d = list(s1 - s2) #1)向量法，2)使用list的count(e)方法，所以array--->list
    hd = d.__len__() - d.count(0) #list的元素总数方法__len__()
    return hd

if __name__=='__main__':
    #两个字符串'1001101'与'1011001'
    S = ['1001101', '1011001']
    print('hd:', HD1(S), HD2(S), HD3(S), HD4(S))
    
    #两个字符串'95271314'与'95371234'
    S = ['95271314', '95371234']
    print('hd:', HD1(S), HD2(S), HD3(S), HD4(S))
    
    #'ideal'与‘dream’
    S = ['ideal', 'ideal']
    print('hd:', HD1(S), HD2(S))
    
    #‘study’与‘Student’
    S = ['study', 'Student']
    print('hd:', HD1(S))

运行结果

runfile('C:/Users/l13277/hd.py', wdir='C:/Users/l13277')
hd: 2 2 2 2
hd: 3 3 3 3
hd: 0 0
hd: 2

（end）

python计算两个坐标的距离
简单的编程博客
03-17 4827
尽管Python的标准库足以处理简单的距离计算，但是在地图服务或地理信息系统等复杂的实际应用中，（GIS）在这种情况下，我们可以依靠更专业的第三方库来获得更准确的结果。可以用多种方法计算两个坐标点之间的距离，最直观的是欧氏距离，也就是两点之间的直线距离。同时，不同的距离计算方法可能适用于不同的场景，因此需要根据具体的应用选择合适的算法。其中，\(\)phi_1, \phi_2\是两点的纬度，\(\)lambda_1, \lambda_2\)是两点的经度，而\/(r\)是地球半径(约6371公里)。
numpy通用函数：快速的逐元素数组函数
分享关于数据的知识。
01-19 935
通用函数也可以称为 ufunc， 是一种在 ndarray 数据中进行逐元素操作的函数。某些简单函数接受了一个或者多个标量数值，并产生一。介绍一下二元通用函数：比如 add 和 maximum 则会接受两个数组并返回一个数组结尾结果，所以叫做二元通用函数。个或多个标量结果，而通用函数就是对这些简单函数的向量化封装。
np.frompyfunc()函数的使用 Numpy | 函数向量化
kudou1994的博客
07-02 1万+
python自定义函数并调用： def func_x(a): y = a + 1 return y print(func_x(1)) # 调用 # 结果： # 2 但是如果a不是一个数，而是一个向量/数组呢？这时候就需要借助numpy中的通用函数np.frompyfunc(func, 1, 1) 这里的参数func指的是你要使用的函数，第二个参数为func中的参数个数，第三个参数为func...
LPDDR5 学习笔记05：WCK操作详解
最新发布
一只豌豆象的博客
07-16 1910
LPDDR5 SDRAM采用双时钟设计，写时钟（WCK）频率为命令时钟（CK）的2倍或4倍，需要通过WCK2CK同步机制解决时钟域对齐问题。该同步操作由带特殊标志位的CAS命令触发，控制器需提供半频WCK脉冲进行状态校准。同步完成后才能执行读写操作，且支持多存储体组同步和WCK常开模式以优化性能。掉电后必须重新执行同步流程，确保时钟域正确对齐。该机制有效解决了高速内存接口的时序挑战，为LPDDR5性能提升提供关键技术支撑。
numpy：利用np.frompyfunc函数实现元素级操作，类似pandas的applymap函数功能
S_o_l_o_n的博客
11-13 5365
在pandas里，对于DataFrame，可以利用applymap(func)函数实现对DataFrame中每个元素进行函数func操作，而且相比于for loop，其性能会有较大的提升。而对于numpy中的ndarrray，没有类似名称的函数实现相同功能，但是有一个numpy.frompyfunc函数，其可以对一个python函数进行封装，返回一个封装后的函数，然后可以利用返回的封...
numpy常用函数
longhaierwd的博客
07-21 786
广播是NumPy最具特色的特性之一，几乎所有的NumPy函数都可以通过广播特性将操作映射到数组的每一个元素上。然而NumPy函数并不能完成所有的工作，有些工作还需要我们自己来定义函数。如何让我们自己定义的函数也可以广播到数组的每一个元素上，就是自定义广播函数要做的事情。return 0elif x&(x-1) == 0 and y&(y-1) == 0: # x和y都是2的整数次幂elif x&(x-1) == 0: # 仅有x等于2的整数次幂return x。
Machine Learning --5种距离度量方法
王佩的CSDN博客
10-25 1万+
1 前言 在数据挖掘中，我们经常需要计算样本之间的相似度(Similarity ),我们通常的做法是计算样本之间的距离,本文对距离计算方法做以下总结。 2 距离计算方法 A 欧式距离EuclideanDistance 欧式距离：两点之间的直线距离。 (1)二维平面上两点a(x1,y1)，b(x2,y2)之间的欧式距离公式： (2) n维空间上两点a(x1,x2……..x
python 探索分形世界|曼德布洛特|np.frompyfunc()
weixin_46483785的博客
09-26 649
无边的奇迹源自简单规则的无限重复 ---- 分形之父Benoit B.Mandelbrot。
Python——输入两个点，计算两点间距离
ayddyn的博客
05-21 1万+
分别输入两个点的坐标，计算两个点的距离 计算公式：（（x1-x2)²+(y1-y2)²)½。
python 各类距离公式实现
热门推荐
guojingjuan的博客
12-24 4万+
所列的距离公式列表和代码如下： 闵可夫斯基距离(Minkowski Distance) 欧氏距离(Euclidean Distance) 曼哈顿距离(Manhattan Distance) 切比雪夫距离(Chebyshev Distance) 夹角余弦(Cosine) 汉明距离(Hamming distance) 杰卡德相似系数(Jaccard simil
机器学习——几种距离度量方法比较
weixin_33743248的博客
11-14 1870
2019独角兽企业重金招聘Python工程师标准>>> ...
python数据结构
爸爸的博客
10-13 248
文章目录n维数组`ndarray`变长字典 `Series`数据表 `DataFrame` n维数组ndarray python中的数组 形式 用list和tuple等序列数据结构结构表示的数组 array模块 （非内置模块 不支持多维） 通过array函数创建数组 ，array.array('B',range(5)) 提供append insert read等方法 nda...
【机器学习】【Numpy】函数向量化运算的多种方法function/lambda + numpy.frompyfunc()/map和numpy.vectorize()
蔚蓝的天空Tom
03-26 7319
此文章的需求来自：逻辑回归的算法实现，numpy.frompyfunc()函数的使用1.什么是函数的向量化1.1函数的一般使用我们有如下的一个自定义函数def magic(a, b): if a > b: return a + b else: return a - b使用时我们只能单变量传入调用a = 1 b = 2 ret = mag...
机器学习-距离的度量方法
weixin_45862390的博客
01-15 1009
闵式距离的定义为：其中，( x = (x_1, x_2, \dots, x_n) ) 和 ( y = (y_1, y_2, \dots, y_n) ) 是 ( n ) 维空间中的两个点，( p ) 是一个正实数。当 ( p \to \infty ) 时，闵式距离变为切比雪夫距离的原因是：在极大的 ( p ) 下，较大的坐标差主导了距离的计算，而较小的坐标差对总和的贡献变得微不足道，从而使得闵式距离的计算结果转化为最大坐标差，即切比雪夫距离。
机器学习中的距离度量（python实现）
tangbiubiu的博客
09-09 1226
最近读《统计学习方法》的时候用到了各种距离，这里做一个小总结，并且用numpy实现一下。 一般的距离度量使用欧氏距离，就是我们生活中最常用的距离概念。但也可以使用其他的度量方式。这个部分比较有意思，后期的算法也能参考，所以详细记录一下。 闵可夫斯基距离（LpL_pLp​距离）（Minkowski distance） 闵可夫斯基距离也叫LpL_pLp​距离，欧式距离是LpL_pLp​距离的一种特殊情况。 在这里p>=1p>=1p>=1 当p=2p=2p=2时，称为欧氏距离(Eu
numpy中的frompyfunc用法
AtomQQ_2022313691的博客
08-04 2385
通过frompyfunc()可以将计算单个值的函数转换为能对数组的每个元素进行计算的ufunc函数，其调用格式为 frompyfunc(func, nin, nout) func是计算单个元素的函数，nin是func输入参数的个数，nout是func的返回值的个数。 实例 import numpy as np import matplotlib.pyplot as plt def y(t): if t <= -1 / 2: r = -3 * t + 1 elif t
【Python数据分析—NumPy】5.NumPy矩阵和通用函数
每天都在学习的小博主
04-21 1593
5.NumPy矩阵和通用函数 文章目录1、矩阵1.1、创建矩阵(np.mat()、.T、.I)1.2 从已有矩阵创建新矩阵(np,eye()、np.bmat())2、通用函数(np.frompyfunc()、np.zeros_like()、.flat)3、算术运算(np.add()、np.subtract()、np.multiply()、np.divide()、np.true_divide()、np.floor_division())4、模运算(np.mod()、np.remainder()、np.fm
python车辆路径优化_车辆路径问题中距离维的设置
weixin_34221654的博客
02-04 1214
我正在尝试解决一个有5个司机送货的车辆路线问题。我用haversine和lat long来计算距离矩阵。我是新的或工具，所以遵循vrp的例子。在问题是，对于5个驱动程序，只为2个驱动程序生成路由，并且这些路径非常长。我想生成多条较短的路线，这样所有的驱动程序都被利用了。请检查我是否设置了错误的约束。在有人能解释一下，如何在谷歌或工具中设置“距离”维度和设置全局泛成本系数。这是代码和输出。在from...
机器学习——各种距离度量方法总结
陌若安生的博客
07-16 1万+
一、欧氏距离(EuclideanDistance) 1.定义： 欧几里得度量（euclidean metric）（也称欧氏距离）是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。在二维和三维空间中的欧氏距离就是两点之间的实际距离。 2.计算公式： 二维空间公式 三维空间的公式 n维空间的公式 3.代码实现： 原生公式代码实...
Wasserstein距离
Naruto_8的博客
05-25 1157
Wasserstein距离 定义：W(P1,P2)=inf⁡γ∼∏(P1,P2)E(x,y)∼γ[∥x−y∥]W(P_1,P_2)=\inf_{\gamma \sim \prod(P_1,P_2)}E_{(x,y)\sim\gamma}[\|x-y \|]W(P1​,P2​)=γ∼∏(P1​,P2​)inf​E(x,y)∼γ​[∥x−y∥] 解释： ∏(P1,P2)\prod(P_1,P_2)∏(P1​,P2​)是P1P_1P1​和P2P_2P2​分布组合起来的联合分布的集合。对于每一个可能的联合分布γ\g
【PX4学习笔记】3. PX4 固件烧写(1 探索过程)
【人工智障 | 计算鸡视觉 | 机器孩】
03-07 7643
飞控型号：cube orange【PX4官方用户指南中关于cube orange的描述】 飞控载板型号：Mini Carrier Board【迷你载板说明文档】 固件安装参考：The Cube User Manual V1.0
GF-ISSUEDDOMESTICGRNBOND（2014-2023年）.xlsx
详细介绍及样例数据：https://blog.csdn.net/samLi0620/article/details/143871560
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值