计算Python Numpy向量之间的欧氏距离实例

计算Python Numpy向量之间的欧氏距离，已知vec1和vec2是两个Numpy向量，欧氏距离计算如下：

import numpy
dist = numpy.sqrt(numpy.sum(numpy.square(vec1 - vec2)))

或者直接：

dist = numpy.linalg.norm(vec1 - vec2)

补充知识：Python中计算两个数据点之间的欧式距离，一个点到数据集中其他点的距离之和

如下所示：

计算数两个数据点之间的欧式距离

import numpy as np
def ed(m, n):
return np.sqrt(np.sum((m - n) ** 2))
i = np.array([1, 1])
j = np.array([3, 3])
distance = ed(i, j)
print(distance)

在jupyter 中运输代码输出结果如下：

计算一个点到数据集中其他点的距离之和

from scipy import *
import pylab as pl

all_points = rand(500, 2)
pl.plot(all_points[:, 0], all_points[:, 1], 'b.')
pl.show()

在jupyter 中运输代码输出结果如下：

from scipy import *
import pylab as pl

all_points = rand(500, 2)
pl.plot(all_points[:, 0], all_points[:, 1], 'b.')
pl.show()

定义函数计算距离

def cost(c, all_points): #指定点，all_points:为集合类的所有点
return sum(sum((c - all_points) ** 2, axis=1) ** 0.5)

来源：https://blog.csdn.net/GarfieldEr007/article/details/51386683