### Python实现多种距离度量 以下是基于矩阵 `M=[[1,2,3],[1,1,2],[2,1,1]]` 的各种距离度量的计算方法： #### 欧式距离 (Euclidean Distance) 欧几里得距离是指两点之间的直线距离。可以通过 NumPy 计算向量间的平方差并求和再开方。 ```python import numpy as np def euclidean_distance(x, y): return np.sqrt(np.sum((np.array(x) - np.array(y)) ** 2)) M = [[1, 2, 3], [1, 1, 2], [2, 1, 1]] dist_euclidean = [] for i in range(len(M)): row_distances = [] for j in range(len(M)): row_distances.append(euclidean_distance(M[i], M[j])) dist_euclidean.append(row_distances) print("欧式距离:", np.array(dist_euclidean)) ``` 此代码实现了任意两行之间欧式距离的计算[^4]。 --- #### 曼哈顿距离 (Manhattan Distance) 曼哈顿距离是各维度坐标绝对差之和。 ```python def manhattan_distance(x, y): return np.sum(np.abs(np.array(x) - np.array(y))) dist_manhattan = [] for i in range(len(M)): row_distances = [] for j in range(len(M)): row_distances.append(manhattan_distance(M[i], M[j])) dist_manhattan.append(row_distances) print("曼哈顿距离:", np.array(dist_manhattan)) ``` 该部分通过逐行列对比的方式完成曼哈顿距离的计算[^5]。 --- #### 马氏距离 (Mahalanobis Distance) 马氏距离是一种考虑协方差影响的距离度量方式，适合衡量不同分布下的样本间差异。 ```python from scipy.spatial.distance import mahalanobis cov_matrix = np.linalg.inv(np.cov(np.transpose(M))) # 协方差逆矩阵 dist_mahalanobis = [] for i in range(len(M)): row_distances = [] for j in range(len(M)): d = mahalanobis(M[i], M[j], cov_matrix) row_distances.append(d) dist_mahalanobis.append(row_distances) print("马氏距离:", np.array(dist_mahalanobis)) ``` 这里利用 SciPy 提供的功能简化了复杂运算过程[^6]。 --- #### 切比雪夫距离 (Chebyshev Distance) 切比雪夫距离表示的是两个点在各个维度上的最大差值。 ```python def chebyshev_distance(x, y): return np.max(np.abs(np.array(x) - np.array(y))) dist_chebyshev = [] for i in range(len(M)): row_distances = [] for j in range(len(M)): row_distances.append(chebyshev_distance(M[i], M[j])) dist_chebyshev.append(row_distances) print("切比雪夫距离:", np.array(dist_chebyshev)) ``` 这段程序展示了如何找到每一对向量的最大偏差作为其切比雪夫距离[^7]。 --- #### 明科夫斯基距离 (Minkowski Distance) 明科夫斯基距离是一族广义的距离定义，当参数 p=1 或者 p=2 时分别对应于曼哈顿距离和欧几里德距离。 ```python def minkowski_distance(x, y, p): return np.power(np.sum(np.abs(np.array(x) - np.array(y)) ** p), 1 / p) p_value = 3 # 可调整参数p dist_minkowski = [] for i in range(len(M)): row_distances = [] for j in range(len(M)): row_distances.append(minkowski_distance(M[i], M[j], p=p_value)) dist_minkowski.append(row_distances) print(f"明科夫斯基距离(p={p_value}):", np.array(dist_minkowski)) ``` 此处允许用户指定不同的幂次来适应具体需求[^8]。 --- #### 余弦相似度 (Cosine Similarity) 余弦相似度用来评估两个非零向量方向的一致程度。 ```python from sklearn.metrics.pairwise import cosine_similarity cos_similarities = cosine_similarity(M).tolist() print("余弦相似度:", cos_similarities) ``` 借助 Scikit-Learn 工具包可以快速获得成对的余弦相似度得分[^9]。 --- ### 总结 以上提供了六种常见距离度量及其对应的 Python 实现方案。这些算法均适用于给定的数据集结构，并能够灵活扩展到其他场景下应用。