摘要：
原文出处: https://xugaoxiang.com/2019/11/30/euclidean-distance/在计算相似度的场景中，欧几里德距离是一种更直观和常见的相似度算法。欧几里得距离越小，相似性越大；欧几里得距离越大，相似性越小。在数学中，欧几里得距离或欧几里得度量是欧几里得空间中两点之间的“正常”（即直线）距离。使用这个距离，欧几里得空间就变成了度量空间。相关的范数称为欧几里德范数。欧几里得距离的数学公式代码实现我们使用科学计算库numpy来计算欧几里得距离。代码也很简单#！
软硬件环境
- ubuntu 18.04 64bit
- numpy 1.12.1
前言
欧几里得距离，又称欧氏距离，是最常见的距离度量，衡量的是多维空间中各个点之间的绝对距离。在计算相似度(比如人脸识别)的场景下，欧几里得距离是比较直观、比较常见的一种相似度算法。欧氏距离越小，相似度越大；欧氏距离越大，相似度越小。
来自中文版维基百科的定义
在数学中，欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”（即直线）距离。使用这个距离，欧氏空间成为度量空间。相关联的范数称为欧几里得范数。较早的文献称之为毕达哥拉斯度量。
欧几里得距离的数学公式
代码实现
我们使用 numpy 这个科学计算库来计算欧几里得距离，代码也非常简单
#!/usr/bin/env python # -*- coding: utf-8 -*- # @Date : 2018-08-17 16:31:07 # @Author : xugaoxiang (djstava@gmail.com) # @Link : link # @Version : 1.0.0 import numpy as np def get_edclidean_distance(vect1,vect2): dist = np.sqrt(np.sum(np.square(vect1 - vect2))) # 或者用numpy内建方法 # dist = numpy.linalg.norm(vect1 - vect2) return dist if __name__ == '__main__': vect1 = np.array([1,2,3]) vect2 = np.array([4,5,6]) print(get_edclidean_distance(vect1, vect2))
执行结果显示
5.19615242271