实现两个点集的欧式距离和cos距离和索引值寻找(含有两种解法,for循环和矩阵操作)

article/2025/9/14 4:32:57

一.计算欧式距离

1,直接for循环

两个点集points1,points2,用dist来存储距离 

points1=np.array([[1,2],[3,4]])
points2 = np.array([[5, 6],[7,8]])
dist = np.zeros(shape=[points1.shape[0],points2.shape[0]])
for i in range(points1.shape[0]):for j in range(points2.shape[0]):print(points1[i, :] - points2[j, :])

遍历两个点集的索引相减值

加上这句话

print(np.square(points1[i, :] - points2[j, :]))

print(np.sum(np.square(points1[i, :] - points2[j, :])))

print(np.sqrt(np.sum(np.square(points1[i, :] - points2[j, :]))))

points1=np.array([[1,2],[3,4]])
points2 = np.array([[5, 6],[7,8]])
dist = np.zeros(shape=[points1.shape[0],points2.shape[0]])
for i in range(points1.shape[0]):for j in range(points2.shape[0]):# print(points1[i, :] - points2[j, :])# print('======================')# print(np.square(points1[i, :] - points2[j, :]))# print('============================')# print(np.sum(np.square(points1[i, :] - points2[j, :])))# print(np.sqrt(np.sum(np.square(points1[i, :] - points2[j, :]))))dist[i, j] = np.sqrt(np.sum(np.square(points1[i, :] - points2[j, :])))
print(dist)

ind = np.unravel_index(np.argmax(dist), dist.shape)
print(ind)

返回索引值

2,矩阵操作求欧式距离

假设有两个三维向量集,用矩阵表示:

要求A,B这两个矩阵中的元素两两之间的欧式距离。

先求出

然后对分别求其中每个向量的模平方,并扩展为2*3矩阵:

然后:

 

将上面这个矩阵一开方,就得到了A,B矩阵各个元素两两之间的欧式距离。

import numpy as np
A=np.array([[1,2],[3,4]])
print('A=',A)
B=np.array([[5,6],[7,8]])
print('B=',B)BT=np.transpose(B)
print('BT=',BT)
A_BT=np.dot(A,BT)
print('A_BT=',A_BT)Asq=A**2
Asq=np.tile(np.sum(Asq,axis=1,keepdims=True),(1,A_BT.shape[1]))
print('Asq=',Asq)Bsq=BT**2
Bsq=np.tile(np.sum(Bsq,axis=0,keepdims=True),(A_BT.shape[0],1))
print('Bsq=',Bsq)print(Asq+Bsq-2*A_BT)
ED=np.sqrt(Asq+Bsq-2*A_BT)
print('ED=',ED)
ind=np.unravel_index(np.argmax(ED),ED.shape)
print(ind)
print(ED[ind[0],ind[1])

二.计算cos距离


import numpy as np
a = np.array([[1, 2],[3, 4]])
b = np.array([[1, 2],[3, 4],[1, 0]])
c = np.dot(a, np.transpose(b))
print('==c:', c)
norm_a = np.sqrt(np.sum(np.square(a), axis=-1))
print('==norm_a:', norm_a)
norm_b = np.sqrt(np.sum(np.square(b), axis=-1))
print('==norm_b:', norm_b)
base = np.dot(norm_a.reshape(norm_a.shape[0], 1), norm_b.reshape(1, norm_b.shape[0]))
print('base:', base)
print('===c/base:', c/base)

 


http://chatgpt.dhexx.cn/article/rjZqtEcT.shtml

相关文章

计算样本欧式距离——python

任务描述 本关实现一个函数来计算欧几里得距离。 相关知识 通常数据集中的样本都可描述为一个 n 维向量 。每一个维度代表样本的一个属性。比如,对于用户 x 而言,其属性可能是收入、年龄、工作时间等,对于电影而言,其属性可能…

什么是范数,及其对应的 “曼哈顿距离“、“欧式距离“、“闵氏距离“、“切比雪夫距离“

什么是范数,及其对应的 "曼哈顿距离"、"欧式距离"、"闵氏距离"、"切比雪夫距离" 一、什么是范数二、欧式距离(对应L2范数)三、曼哈顿距离(对应L1范数)三、闵氏距离&#xff0…

计算两个矩阵的行向量之间的欧式距离

1 问题描述 矩阵P的大小为[m, d] 用行向量表示为P1, P2,...,Pm 矩阵C的大小为[n, d] 用行向量表示为C1, C2,...,Cn 求矩阵P的每个行向量与矩阵C的每个行向量的欧氏距离 典型的例子是KNN算法应用于二维的点的聚类时,求取点与点之间的欧式距离时的情况。 2 …

标准化欧式距离

标准化欧式距离 在对长方体区域进行聚类的时候,普通的距离无法满足要求。 按照普通的距离聚类出的大多是圆形的区域,这时候要采用标准的欧式距离。 两个 n 维向量 a(X11,X12,X13,…X1n)与b(X21,X22,…X2n) 间的标准化欧氏距离公式为: 其中S…

Java实现的基于欧式距离的聚类算法的Kmeans作业

Kmeans作业 环境配置 java环境,使用原生的Java UI组件JPanel和JFrame 算法原理 基于欧式距离的聚类算法,其认为两个目标的距离越近,相似度越大。 该实验产生的点为二维空间中的点。 欧式距离 n维空间中的两个点X,Y d i s t…

python+dlib的欧式距离算法进行人脸识别

资源下载地址:https://download.csdn.net/download/sheziqiong/85738944 资源下载地址:https://download.csdn.net/download/sheziqiong/85738944 人脸识别的主要算法 其核心算法是 欧式距离算法使用该算法计算两张脸的面部特征差异,一般在…

计算欧式距离和余弦相似度

本文介绍Python计算欧式距离和余弦相似度。为了余弦相似度需要使用欧式距离,我们首先介绍欧式距离。 欧式距离 欧式距离标识两个向量之间的距离,计算公式如下: 欧式距离 Σ ( A i − B i ) 2 \sqrt{Σ(A_i-B_i)^2} Σ(Ai​−Bi​)2 ​ …

欧式距离和马式距离的区别

前言 为什么要讨论这两个距离之间的区别? 因为,距离函数的选择对数据挖掘算法的效果具有很大的影响,使用错误的距离函数对挖掘过程非常有害。有时候,语义非常相似的对象被认为不相似,而语义不相似的对象却被认为是相…

马氏距离(Mahalanobis Distance)与欧式距离

马氏距离(Mahalanobis Distance)是度量学习中一种常用的距离指标,同欧氏距离、曼哈顿距离、汉明距离等一样被用作评定数据之间的相似度指标。但却可以应对高维线性分布的数据中各维度间非独立同分布的问题。 什么是马氏距离 马氏距离(Mahalanobis Distance)是一种距…

欧式距离分割

主要函数: [labels, numClusters] pcsegdist(ptCloud, minDistance) 欧式聚类是一种基于欧式距离的聚类算法 ptCloud pcread(maize.pcd);%两个不同簇之间最小距离 minDistance 0.06%执行欧式距离分割 [labels, numClusters] pcsegdist(ptCloud, minDistance)…

欧式距离转为百分比

1. 说明 项目中生成了每个数据的2048维的向量,计算出不同数据之间的欧式距离值。把这些欧式距离转化为百分比,利于查看。 2. 欧式距离值 0.19806965771678278 0062_04 0.34178271687627493 0062_00 0.35060763229637537 0062_03 0.4269194352275009 00…

马氏距离和欧式距离详解

一般在机器学习模型中会涉及到衡量两个样本间的距离,如聚类、KNN,K-means等,使用的距离为欧式距离。其实,除了欧氏距离之外,还有很多的距离计算标准,本文主要介绍欧氏距离和马氏距离。 欧氏距离 最常见的两…

PCL 的欧式距离聚类

PCL 的欧式距离聚类 (感谢前辈) 转自:https://zhuanlan.zhihu.com/p/75117664 聚类代码如下: from paper_1_v0.my_ransac import my_ransac_v5 import numpy as npimg_id 1 # 这里读入你的kitti 雷达数据即可 path rD:\KITT…

相似度计算(3)——欧式距离和闵克夫斯基距离

欧式距离和闵克夫斯基距离 一、欧式距离 1、定义 欧式距离(欧几里得距离,欧几里得度量),是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离…

机器学习:欧氏距离(Euclidean Distance)

相关文章链接:算法文章汇总 欧式距离也称欧几里得距离,是最常见的距离度量,衡量的是多维空间中两个点之间的 绝对距离 。 以古希腊数学家欧几里得命名的距离,也就是我们直观的两点之间直线最短的直线距离。 欧氏距离定义&#…

距离度量 —— 欧式距离(Euclidean Distance)

Python学习系列文章:👉 目录 👈 文章目录 一、概述二、计算公式① 二维平面上的欧式距离② 三维空间上的欧式距离③ n维空间上的欧式距离 一、概述 欧式距离,也称为 欧几里得距离,是我们从小学、初中、高中等等乃至现…

[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 x 1 , x 2 x_1,x_2 x1​,x2​间的距离公式: 2.标准化欧式距离(Standardized Euclidean distance) 引入标准化欧式距离的原因是一个数据 x i x_i xi​ 的各个维度之间的尺…

PHPStorm使用PHP7新特性出现红色波浪错误

今天在项目中使用PHP7新特性时PHPStorm出现了如下红色错误,看着让人很不舒服,明明没有错 本地配置LNMP的PHP版本是7.2所以不是安装的PHP版本过低的问题,而是PHPStorm默认支持的PHP版本语法问题,通过在偏好设置中查看发现默认是PHP…

PHP8.X的新特性

PHP8.X的新特性 随着2020年的PHP开发者峰会结束,8.X将在11月26发布 一、JIT JIT的新特性,则是将PHP代码转化为传统的机器码,而并非通过zend虚拟机来运行,这大大增加了运行速度。但是缺点是向下不兼容。 # JIT 可以通过php.ini中…

PHP 7.4 新特性

PHP 7.4 计划在2019年11月21日发布,它主要新增了以下几个特性: 短闭包函数 短闭包函数可以减少冗余代码: array_map(function (User $user) { return $user->id; }, $users) array_map(fn(User $user) > $user->id, $users) 需要…