scipy.spatial.distance.

seuclidean#

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

返回两个 1-D 数组之间的标准化欧几里得距离。

两个 n 向量 u 和 v 之间的标准化欧几里得距离为：

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

V 是方差向量；V[I] 是在点的所有第 i 个分量上计算的方差。如果未传递，则会自动计算。

参数:

u(N,) 类似数组: 输入数组。
v(N,) 类似数组: 输入数组。
V(N,) 类似数组: V 是分量方差的 1-D 数组。它通常在更大的向量集合中计算。

返回:

seuclidean双精度浮点数: 向量 u 和 v 之间的标准化欧几里得距离。

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