[机器学习]练习KNN算法-曼哈顿距离

曼哈顿距离(Manhattan distance)

曼哈顿距离是指在几何空间中两点之间的距离，其计算方法是通过将两点在各个坐标轴上的差值的绝对值相加得到。在二维空间中，曼哈顿距离可以表示为两点在横纵坐标上的差值的绝对值之和；在三维空间中，则是在三个坐标轴上的差值的绝对值之和。想象你在城市道路里，要从一个十字路口开车到另外一个十字路口，驾驶距离是两点间的直线距离吗？显然不是，除非你能穿越大楼。实际驾驶距离就是这个“曼哈顿距离”。而这也是曼哈顿距离名称的来源，曼哈顿距离也称为城市街区距离(City Block distance)。

距离公式：

编写曼哈顿距离代码
##### 在此处编写或补全代码
def manhattan_distance(a,b):
    return abs(a-b)
计算
a = np.array((2,3))
b = np.array((10,5))
##### 在此处编写或补全代码
dist3 = np.sum(np.abs(a-b))
print(f"d3={dist3}\n")

执行结果：