欧式距离能够体现个体数值特征的绝对差异,所以更多的用于需要从维度的数值代销中体现差异
余弦距离更多的是从方向上区分差异,而对绝对的数值不敏感,更多的用于使用用户对内容评分类区分兴趣的相似度和差异
同时修正了用户间可能存在的度量标准不统一的问题(因为余弦距离对绝对数值不敏感)

#将该字典中的age值累加

scientists=({'name':'Alan Turing','age':105},{'name':'Dennis Ritchie','age':76},{'name':'John wan Neudada','age':114},{'name':'Guida wan Rossion','age':61},)
from functools import reduce
def add(accumulator,value):sum=accumulator+value['age']return sum
reduce(add,scientists,0)

#用户输入一个三位自然数,计算并输出器百、十、个位上的数字

number = input("please input a number:")
ints=int(number)
b=ints//100
print("百位",b)
print("十位",(ints-b*100)//10)
print("个位",ints%10)

#输入三角形两边和夹角,求第三边

import math
x=input("输入两边及其夹角")
a,b,theta=map(float,x.split())
print(a,b,theta)
c=math.sqrt(a**2+b**2-2*a*b*math.cos(theta*math.pi/180))
print("第三边长",c)

#计算两点的马哈顿距离 \x1-x2+|y1-y2\

#d=\x1-x2\+\y1-y2\
x=input("输入两个点的坐标(x1,y1,x2,y2)")
x1,y1,x2,y2=x.split(',')
distance=abs(int(x1)-int(x2))+abs(int(y1)-int(y2))
print("曼哈顿距离:",distance)

#计算两点间的欧式距离

#d=sqrt((x1-x2)^2+(y1-y2)^2)
import math
x=input("输入两个点的坐标(x1,y1,x2,y2)")
x1,y1,x2,y2=x.split(',')
distance=math.sqrt((int(x1)-int(x2))**2+(int(y1)-int(y2))**2)
print("欧式距离:",distance)

#计算切比雪夫距离

#d=max(\x1-x2\,\y1-y2\)
import math
x=input("输入两个点的坐标(x1,y1,x2,y2)")
x1,y1,x2,y2=x.split(',')
distance=max(abs(int(x1)-int(x2)),abs(int(y1)-int(y2)))
print("切比雪夫距离:",distance)

#夹角余弦

#二维空间中向量A(x1,y1)与向量B(x2,y2)的夹角余弦
#cos=((x1*x2)+(y1*y2))/(sqrt(x1^2+x2^2))*(sqrt(y1^2+y2^2))
import math
x=input("输入两个点的坐标(x1,y1,x2,y2)")
x1,y1,x2,y2=x.split(',')
x1,y1,x2,y2=int(x1),int(y1),int(x2),int(y2)
distance=((x1*x2)+(y1+y2))/(math.sqrt(x1^2+x2^2))*math.sqrt(y1^2+y2^2)
print("余弦为:",distance)

使用python计算马哈顿距离、切比雪夫距离、欧式距离、夹角余弦相关推荐

  1. [机器学习-概念] 什么是欧式距离、标准化欧式距离、马氏距离、余弦距离

    1.欧式距离(Euclidean Distance) 欧式距离源自N维欧氏空间中两点x1,x2x_1,x_2x1​,x2​间的距离公式: 2.标准化欧式距离(Standardized Euclidea ...

  2. 常见的几种距离量度(欧式距离、曼哈顿距离、切比雪夫距离等)

    在机器学习和数据挖掘中,我们经常需要计算样本之间的相似度,通常的做法是计算样本之间的距离.本文介绍几种常用的距离量度方法. 一.欧氏距离(Euclidean Distance) 我们从最常见的欧式距离 ...

  3. 欧式距离、标准化欧式距离、马氏距离、余弦距离

    目录 欧氏距离 标准化欧氏距离 马氏距离 夹角余弦距离 汉明距离 曼哈顿(Manhattan)距离 1.欧式距离 欧式距离源自N维欧氏空间中两点x1,x2x1,x2间的距离公式: 2.标准化欧式距离 ...

  4. Python学习10:计算三维空间某点距离原点的欧式距离(python123)

    题目描述: 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.三维空间里点a和b的坐标如果分别为a(x1,y1,z1).b(x2,y2,z2),则ab的距离的计 ...

  5. 线性代数Python计算:向量的模及向量间的夹角

    numpy的dot函数计算两个向量α\boldsymbol{\alpha}α和β\boldsymbol{\beta}β的内积: dot(a,b)\text{dot(a,b)}dot(a,b) 两个参数 ...

  6. NN中常用的距离计算公式:欧式距离、曼哈顿距离、马氏距离、余弦、汉明距离

    1.欧氏距离Euclidean Distance: 2.曼哈顿距离Manhattan: 3.Mahalanobis马氏距离 马氏距离的浅显解释,见我的博文:https://blog.csdn.net/ ...

  7. MATLAB计算数据各种距离矩阵(欧式距离、加权欧式距离...)

    文章目录 代码 参数 运行示例 代码 在 MATLAB 中计算距离命令是 pdist,其命令格式如下: d = pdist(X, distance) 参数 其中 X 是输入数据(矩阵),即观测矩阵,X ...

  8. 欧式距离python_最小欧式距离

    更多:贝叶斯- 7.2.2 简化case1: 最小欧式距离 Step1: 做个假设 我们发现这个方程其实还是很难的,而且虽然每个类别样本都是服从正态分布,但是正态分布也会因为协方差矩阵不同而千差万别( ...

  9. Numpy计算二维、三维、多维向量空间夹角余弦值

    import numpy as npa = np.array([1, 4, 6]) b = np.array([-1, 2, -4.3]) cos_ab = a.dot(b) / (np.linalg ...

最新文章

  1. NDK/JNI demo ( 五 ) ORB_SLAM2在Android上的移植过程
  2. Mac ssh 挂载linux服务器
  3. Ardino基础教程 10_光控声音
  4. JavaScript之match()方法讲解
  5. G6 图可视化引擎——入门教程——图的交互 Behavior
  6. mysql stack is full_mysql优化之表的优化与列类型选择
  7. 面向对象进阶-反射(二)重要知识点
  8. mysql更新字符串中某个字符串_mysql更新某个字符串字段的部分内容
  9. try-catch-finally的执行顺序
  10. pytorch:nn.Sequential讲解
  11. githua 账号合并_如何合并他人的分支 github
  12. PostgreSQL 10.1 手册_部分 II. SQL 语言_第 10 章 类型转换_10.5. UNION、CASE和相关结构...
  13. 尚学堂·百战程序员--java300集视频笔记
  14. [从头读历史] 第253节 孔子和他的《春秋》 [BC722至BC658]
  15. windows 7计算机用户名和密码忘了,w7笔记本忘记开机密码怎么办_win7笔记本电脑忘记登录密码解决方法-系统城...
  16. Windows10 添加打印机
  17. Bootstrap栅格系统 xs sm md lg xl
  18. gee学习1geemap入门(环境搭建和地图创建)
  19. 爬杜蕾斯官方微博,内容太刺激了吧
  20. K线技术指标实现详解—筹码分布

热门文章

  1. vue3、vite、pinia 快速入门
  2. linux系统访问bitlocker分区,我将系统盘启用Bitlocker时,系统提示:“系统找不到指定的文件件”...
  3. KEPServerEX 6实现opcua与西门子plc通讯
  4. 基于JAVA融呗智慧金融微资讯移动平台服务端计算机毕业设计源码+数据库+lw文档+系统+部署
  5. Linux系统离线安装包及其依赖的下载安装
  6. EMNLP2022 | 带有实体内存(Entity Memory)的统一编解码框架 (美国圣母大学)
  7. 大华播放器退出时发生assert原因
  8. Linux-chpasswd 修改用户密码
  9. 五大GPS北斗定位模块选择要点
  10. 2019辽宁公务员考试行测常识大全:公务员常识40000问(五十二)(2)