📅  最后修改于: 2023-12-03 15:40:28.402000             🧑  作者: Mango
欧氏距离是指在m维空间中两个向量的长度。在二维和三维空间中,欧氏距离即两点之间的直线距离。在更高维的空间中,欧氏距离的计算方法也是一样的。
给定两个向量$\vec{p}$和$\vec{q}$,它们的欧氏距离的平方可以通过以下公式计算:
$$ dist(\vec{p},\vec{q})^2 = \sum_{i=1}^{n}{(p_i-q_i)^2} $$
其中$p_i$和$q_i$是向量$\vec{p}$和$\vec{q}$的第$i$个元素,$n$是向量的维度。
在Python中,我们可以使用以下代码片段来计算欧氏距离的平方:
import math
def euclidean_distance_squared(p, q):
return sum([(px - qx) ** 2 for px, qx in zip(p, q)])
在这个函数中,传入的参数p
和q
是两个向量,它们的维度可以是任意的。在函数中,我们使用了Python的列表推导和zip
函数来计算每个元素之间的差,然后使用sum
函数将它们加起来,并返回它们的值。在计算过程中,我们还使用了Python的平方运算符**
和Math库中的sqrt
函数来计算欧氏距离的平方。
欧氏距离的平方是计算两个向量之间的距离的常用指标。在Python中,我们通过简单的数学计算和列表操作就可以计算它的值。在实际的机器学习中,欧氏距离的平方经常被用来衡量两个向量之间的相似度。