欧几里得距离

/

图片来自https://www.deviantart.com/quasihedron/art/20161028-Moon-Over-Dawn-Grid-v6-642679624

软硬件环境

  • ubuntu 18.04 64bit
  • numpy 1.12.1

前言

欧几里得距离,又称欧氏距离,是最常见的距离度量,衡量的是多维空间中各个点之间的绝对距离。在计算相似度(比如人脸识别)的场景下,欧几里得距离是比较直观、比较常见的一种相似度算法。欧氏距离越小,相似度越大;欧氏距离越大,相似度越小。

来自中文版维基百科的定义

在数学中,欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”(即直线)距离。使用这个距离,欧氏空间成为度量空间。相关联的范数称为欧几里得范数。较早的文献称之为毕达哥拉斯度量。

欧几里得距离的数学公式

代码实现

我们使用 numpy 这个科学计算库来计算欧几里得距离,代码也非常简单

  1. #!/usr/bin/env python
  2. # -*- coding: utf-8 -*-
  3. # @Date : 2018-08-17 16:31:07
  4. # @Author : xugaoxiang (djstava@gmail.com)
  5. # @Link : link
  6. # @Version : 1.0.0
  7. import numpy as np
  8. def get_edclidean_distance(vect1,vect2):
  9. dist = np.sqrt(np.sum(np.square(vect1 - vect2)))
  10. # 或者用numpy内建方法
  11. # dist = numpy.linalg.norm(vect1 - vect2)
  12. return dist
  13. if __name__ == '__main__':
  14. vect1 = np.array([1,2,3])
  15. vect2 = np.array([4,5,6])
  16. print(get_edclidean_distance(vect1, vect2))

执行结果显示

  1. 5.19615242271

参考资料

转载请注明作者和出处,并添加本页链接。
原文链接: blog.xugaoxiang.com/147