用numpy高效计算欧氏距离

你可以使用NumPy库中的函数来计算两个数组之间的欧式距离。首先，你需要导入NumPy库： ``` python import numpy as np ``` 然后，可以使用`np.linalg.norm()`函数来计算欧式距离。该函数的第一个参数是两个数组的差值，第二个参数是可选的指定计算范数的参数，对于欧氏距离，可以将其设置为2。在这种情况下，你可以使用以下代码计算欧氏距离： ``` python a = np.array([1,2,3,2,3,4,3,4,5,6]) b = np.array([7,2,10,2,7,4,9,4,9,8]) distance = np.linalg.norm(a - b) print(distance) ``` 输出结果将是欧氏距离的值。

### 计算欧氏距离的方法与公式 欧氏距离是一种常用的相似性度量方法，在多维空间中用于衡量两个点之间的直线距离。其基本定义如下： 对于 n 维空间中的两点 \( A(x_1, x_2, \ldots, x_n) \) 和 \( B(y_1, y_2, \ldots, y_n) \)，它们的欧氏距离可以表示为： \[ d(A,B) = \sqrt{\sum_{i=1}^{n}(x_i - y_i)^2} \] #### 使用 Python 实现欧氏距离计算 以下是两种实现方式，分别通过手动编写函数以及调用 `numpy` 库来完成。 ##### 手动实现欧氏距离计算 可以通过简单的循环结构和平方根操作来实现欧氏距离的计算[^3]： ```python import numpy as np def calEuclidean(x, y): dist = np.sqrt(np.sum(np.square(x - y))) return dist ``` 在此代码片段中，`np.array` 类型的数据可以直接进行向量、矩阵加减运算，而 `np.square` 则是对每个元素求平方后再累加并开方得到最终的距离值。 ##### 借助 NumPy 的内置功能 另一种更简洁的方式是利用 `numpy.linalg.norm` 函数直接计算范数作为欧氏距离: ```python import numpy as np def euclidean_distance_numpy(x, y): return np.linalg.norm(x - y) ``` 此方法内部实现了高效的数值计算逻辑，适用于大规模数据集场景下的性能优化需求。 #### SciPy 中的实现 除了上述基于 NumPy 的解决方案外，还可以借助于 SciPy 提供的功能快速获取两组或多组样本间的所有配对欧氏距离[^1]： ```python from scipy.spatial.distance import pdist, squareform Vec = [[1, 2], [4, 6]] dist_matrix = pdist(Vec, 'euclidean') result = squareform(dist_matrix) print(result) ``` 这里需要注意的是，当输入是一个二维数组时，`pdist` 返回的结果是一维压缩形式的距离矩阵；如果希望获得完整的方形距离表，则需进一步转换为标准格式。 --- ### 总结 综上所述，无论是采用基础数学表达式还是依赖第三方库的支持，都可以方便高效地完成欧氏距离的相关运算任务。具体选择取决于实际应用场景和个人偏好等因素影响下做出决定即可满足不同层次的要求[^2]。