scipy.spatial.distance.

seuclidean#

scipy.spatial.distance.seuclidean(u, v, V)[source]#

返回两个一维数组之间的标准化欧氏距离。

两个 n 维向量 u 和 v 之间的标准化欧氏距离为

\[\sqrt{\sum\limits_i \frac{1}{V_i} \left(u_i-v_i \right)^2}\]

V 是方差向量；V[I] 是所有点第 i 个分量上的计算方差。如果没有传入，则会自动计算。

参数:

u(N,) array_like: 输入数组。
v(N,) array_like: 输入数组。
V(N,) array_like: V 是一个一维方差分量数组。通常是在一个更大的向量集合中计算得到的。

返回值:

seuclideandouble: 向量 u 和 v 之间的标准化欧氏距离。

示例

>>> from scipy.spatial import distance
>>> distance.seuclidean([1, 0, 0], [0, 1, 0], [0.1, 0.1, 0.1])
4.4721359549995796
>>> distance.seuclidean([1, 0, 0], [0, 1, 0], [1, 0.1, 0.1])
3.3166247903553998
>>> distance.seuclidean([1, 0, 0], [0, 1, 0], [10, 0.1, 0.1])
3.1780497164141406