euclidean_distances#

sklearn.metrics.pairwise.euclidean_distances(X, Y=None, *, Y_norm_squared=None, squared=False, X_norm_squared=None)#

计算向量数组X和Y中每一对之间的距离矩阵。

出于效率原因，行向量x和y之间的欧几里得距离计算如下:

dist(x, y) = sqrt(dot(x, x) - 2 * dot(x, y) + dot(y, y))

这种公式与其他计算距离的方法相比有两个优点。首先，在处理稀疏数据时，它在计算上非常高效。其次，如果一个参数变化而另一个保持不变，那么可以预先计算 dot(x, x) 和/或 dot(y, y) 。

然而，这不是进行这种计算的最精确方法，因为此方程可能会遭受“灾难性抵消”。此外，此函数返回的距离矩阵可能不完全对称，例如， scipy.spatial.distance 函数所要求的那样。

更多信息请参阅 用户指南 。

Parameters:
X{array-like, sparse matrix}，形状为 (n_samples_X, n_features)

一个数组，其中每一行是一个样本，每一列是一个特征。

Y{array-like, sparse matrix}，形状为 (n_samples_Y, n_features)，默认=None

一个数组，其中每一行是一个样本，每一列是一个特征。 如果为 None ，方法使用 Y=X 。

Y_norm_squaredarray-like，形状为 (n_samples_Y,) 或 (n_samples_Y, 1) 或 (1, n_samples_Y)，默认=None

预先计算的Y中向量的点积（例如， (Y**2).sum(axis=1) ） 在某些情况下可能会被忽略，请参见下面的注释。

squaredbool, 默认=False

返回平方欧几里得距离。

X_norm_squaredarray-like，形状为 (n_samples_X,) 或 (n_samples_X, 1) 或 (1, n_samples_X)，默认=None

预先计算的X中向量的点积（例如， (X**2).sum(axis=1) ） 在某些情况下可能会被忽略，请参见下面的注释。

Returns:
distancesndarray，形状为 (n_samples_X, n_samples_Y)

返回 X 的行向量和 Y 的行向量之间的距离。

See also

paired_distances

X和Y中元素对的距离。

Notes

为了获得更好的精度，如果将 X_norm_squared 和 Y_norm_squared 作为 np.float32 传递，它们可能不会被使用。

Examples

>>> from sklearn.metrics.pairwise import euclidean_distances
>>> X = [[0, 1], [1, 1]]
>>> # X的行之间的距离
>>> euclidean_distances(X, X)
array([[0., 1.],
       [1., 0.]])
>>> # 到原点的距离
>>> euclidean_distances(X, [[0, 0]])
array([[1.        ],
       [1.41421356]])
On this page
Show Source