#16 数据上的各种距离(1)

讲到大数据就免不了提及一些演算法，但在我们开始介绍演算法之前，先介绍在数据中各种距离代表得含义

闵可夫基斯距离（Minkowski Distance）

严格上来讲闵可夫司机距离不算一种距离，而是一组距离的定义

两组?维变数及间的闵可夫司机距离定义为：

其中p是一个变参数

• 当p=1时，就是曼哈顿距离
• 当p=2时，就是欧氏距离
• 当p→♾时，就是谢比雪夫距离

根据变参数的不同，闵可夫基斯距离可以表示一种距离

欧氏距离（Euclidean Distance）

欧氏距离(L2范数)，来自欧氏空间中的两点间的距离公式

• 二维平面上的两点与间的欧氏距离：
  
• 三维空间上的两点与间的欧氏距离：
  
• 两个?维向量与间的欧氏距离：
  

用python实现欧氏距离：

import numpy as np


def get_dist(a, b):
    """
    a:  A点
    b:  B点
    """
    return np.sqrt(sum(np.power((a - b), 2)))


if __name__ == '__main__':
    a = np.array([1, 2, 3])
    b = np.array([1, 2, 3])
    print(get_dist(a, b)) # 0
    a = np.array([1, 2, 3])
    b = np.array([3, 1, 5])
    print(get_dist(a, b)) # 3.0