基于numpy的L2计算_numpy l2距离

欧几里得距离(Euclidean Distance)或欧几里得度量(Euclidean Metric)是欧几里得空间中两点间的距离。

二维空间公式

$$d=\sqrt{(x_1-x_2{)}^2+(y_1-y_2{)}^2}$$

计算二维空间中两点(x1,y1)和(x2,y2)之间的距离

三维空间公式

$$d=\sqrt{(x_1-x_2{)}^2+(y_1-y_2{)}^2+(z_1-z_2{)}^2}$$

计算三维空间中两点(x1,y1,z1)和(x2,y2,z2)之间的距离

n维空间公式

$$\sqrt{\sum _{i=1}^n(x_{1i}-x_{2i}{)}^2)}$$

计算n维空间中两个向量(x11,x12,…,x1n)和(x21,x22,…,x2n)之间的距离

同一个概念的不同表达方式

欧几里得距离 == 欧几里得范数 == L2范数 == L2距离

Euclidean distance == Euclidean norm == L2 norm == L2 distance

import numpy as np

if __name__ == "__main__":
    # 二维空间两点距离计算
    a1 = np.array([0,0])
    a2 = np.array([1,1])
    op1 = np.linalg.norm(a1-a2)
    print(op1)

    # 三维空间两点距离计算
    b1 = np.array([0,0,0])
    b2 = np.array([1,1,1])
    op2 = np.linalg.norm(b1-b2)
    print(op2)

    # n维空间两点距离计算
    dims = 1024
    c1 = np.zeros((1024,))
    c2 = np.ones((1024,))
    op3 = np.linalg.norm(c1-c2)
    print(op3)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
'
运行
运行