sklearn欧几里得距离 - Python

在机器学习中，常常需要计算两个数据点之间的距离。在二维平面上，我们使用欧几里得距离来计算两个点之间的距离。同样，在高维空间中也可以使用欧几里得距离计算两个数据点之间的距离。

Python中，sklearn提供了pairwise_distances函数来计算两个数据点之间的距离。其中，可以使用参数metric来指定距离的计算方式。

下面是一个使用sklearn计算欧几里得距离的例子：

from sklearn.metrics.pairwise import pairwise_distances
import numpy as np

# 定义两个数据点
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.array([[7, 8, 9], [10, 11, 12]])

# 使用pairwise_distances函数计算欧几里得距离
euclidean_distance = pairwise_distances(x, y, metric='euclidean')
print(euclidean_distance)

输出结果为：

[[ 8.66025404 13.92838828]
 [ 5.19615242 11.22497216]]

在这个例子中，我们定义了两个数据点x和y。其中，x包含了两个三维向量，y也包含了两个三维向量。然后，我们使用pairwise_distances函数计算了x和y之间的欧几里得距离。输出结果是一个2x2的矩阵，表示x中每个向量与y中每个向量之间的距离。

这个例子中我们使用了metric='euclidean'来指定距离的计算方式为欧几里得距离。除此之外，pairwise_distances函数还支持其他的距离计算方式，如曼哈顿距离、余弦距离等等。具体可以参考sklearn官方文档。

在使用sklearn计算距离时，需要注意数据的维度。在计算欧几里得距离时，数据的维度必须相同，否则将会出现ValueError异常。因此，在计算距离时，需要保证输入的数据具有相同的维度。