python求各种距离公式

今天一个偶然的机会体会到了python数据运算的强大。求一个数组各样本之间的距离仅简单的几句代码就行。看来真的技术改变世界啊。废话不多说，记下来怕以后忘记。

from scipy.spatial.distance import pdist, squareform

下面结合API文档标注一下具体用法：

1.X = pdist(X, 'euclidean')

计算数组X样本之间的欧式距离 返回值为 Y 为压缩距离元组或矩阵（以下等同）

2. X = pdist(X, 'minkowski', p)

计算数组样本之间的明氏距离

3. Y = pdist(X, 'cityblock')

计算数组样本之间的曼哈顿距离

4. X = pdist(X, 'seuclidean', V=None)

计算数组样本之间的标准化欧式距离 ，v是方差向量，表示 v[i]表示第i个分量的方差，如果缺失。默认自动计算。

5. X = pdist(X, 'sqeuclidean')

计算数组样本之间欧式距离的平方

6. X = pdist(X, 'cosine')

计算数组样本之间余弦距离 公式为：

7. X = pdist(X, 'correlation')

计算数组样本之间的相关距离。

8.X = pdist(X, 'hamming')

计算数据样本之间的汉明距离

9. X = pdist(X, 'jaccard')

计算数据样本之间的杰卡德距离

10. X = pdist(X, 'chebyshev')

计算数组样本之间的切比雪夫距离

11. X = pdist(X, 'canberra')

计算数组样本之间的堪培拉距离

12. X = pdist(X, 'mahalanobis', VI=None)

计算数据样本之间的马氏距离

还有好多不常用的距离就不一一写出了，如果想查阅可以点点我，点我

除了对指定的距离计算该函数还可以穿lmbda表达式进行计算，如下

dm = pdist(X, lambda u, v: np.sqrt(((u-v)**2).sum()))

二、得到压缩矩阵后还需下一步即：

Y=scipy.spatial.distance.squareform(X, force='no', checks=True)

其中，X就是上文提到的压缩矩阵Y，force 如同MATLAB一样，如果force等于‘tovector’ or ‘tomatrix’,输入就会被当做距离矩阵或距离向量。

cheak当X-X.T比较小或diag(X)接近于零，是是有必要设成True的，返回值Y为一个距离矩阵Y[i，j]表示样本i与样本j的距离。