关于距离计算的总结
距离计算在自然语言处理中得到广泛使用，不同距离计算方式应用与不同的环境，其中也产生了很多不同的效果。
1 余弦距离
余弦夹角也可以叫余弦相似度。集合中夹角可以用来衡量两个向量方向的差异，机器学习中借用这一概念来衡量样本向量之间的差异。
余弦取值范围为[-1,1]。求得两个向量的夹角，并得出夹角对应的余弦值，词余弦值就可以用来表示这两个向量的相似性。夹角越小，趋近于0度，余弦值越接近于1，它们的方向就更加吻合，即更加相似。当两个向量的方向完全相反时，夹角的余弦取最小值-1。当余弦值为0时，两向量正交，夹角为90度。因此可以看出，余弦相似度于向量的幅值无关，于向量的方向相关。
公式描述：
python代码实现：
import numpy as np# np.dot(vec1,vec2) 量向量（数组）：两个数组的点积，即元素对应相乘后求和# np.linalg.norm(vec1)：即求vec1向量的二范数（向量的模）vec1 = [1,2,3,4]vec2 = [5,6,7,8]dist1 = np.dot(vec1, vec2)/(np.linalg.norm(vec1)*np.linalg.norm(vec2))print(余弦距离测试结果为：\t+str(dist1))
2 欧氏距离
欧几里得距离即欧几里得空间中两点间的直线距离。
python实现：
import numpy as npvec1 = np.mat([1,2,3,4]) # 生成numpy矩阵vec2 = np.mat([5,6,7,8])# 根据公式求解1dist1 = np.sqrt(np.sum(np.square(vec1 - vec2)))print(欧式距离测试结果是：\t+ str(dist1))dist2 = np.sqrt((vec1-vec2)*(vec1-vec2).t)# 根据公式求解2print(欧式距离测试结果是：\t+ str(dist2))
3 曼哈顿距离
曼哈顿距离也成为城市街区距离。用来表示两个点在标准坐标系上的绝对轴距之和，即从一个路口到另外一个路口，驾驶距离不是两点之间的直线距离。
python实现
import numpy as npvec1 = np.mat([1,2,3,4])vec2 = np.mat([6,7,8,9])dist = np.sum(np.abs(vec1 - vec2))print(曼哈顿距离测试结果是：\t+str(dist))
4 明可夫斯基距离
明氏距离又叫明可夫斯基距离，是欧氏空间中的一种测度，被看作欧氏距离和曼哈顿距离的一种推广。
当p=1时，就是曼哈顿距离
当p=2时，就是欧氏距离
当p=3时，就是切比雪夫距离
python实现
可参照之前代码
5 切比雪夫距离
python实现
import numpy as npvec1 = np.mat([1,2,3,4])vec2 = np.mat([5,6,7,8])dist = np.max(np.abs(vec1 - vec2))print(切比雪夫距离测试结果是：\t + str(dist))
6 杰卡德距离
杰卡德（jaccard）相似系数：两个集合a和b的交集在元素在a、b的并集中所占的比例，称为两个集合的杰卡德相似系数，用符号j(a,b)表示。杰卡德距离：在占比中所取的是两个集合中不同元素。
python实现：
import numpy as npv1 = np.random.random(10) > 0.5
# 生成10个true false数据（即0，1）v2 = np.random.random(10) > 0.5vec1 = np.asanyarray(v1, np.int32)
# 转换位0、1矩阵vec2 = np.asanyarray(v2, np.int32)# 距离计算up = np.double(np.bitwise_and((vec1 != vec2),np.bitwise_or(vec1 !=0,vec2!=0)).sum())
# 涉及到数学逻辑运算down = np.double(np.bitwise_or(vec1 !=0 ,vec2!=0).sum())
# 取并集, (vec1 !=0 ,vec2!=0)先转对应元素为true ，false的矩阵dist = (up/down)print(杰卡德距离测试结果是：\t+str(dist))
7 汉明距离
在信息论中，两个登场字符串之间的汉明距离对应位置上的不同字符的个数。也就是说，将一个字符串变换成另一个字符串所需要替换的字符个数。
例如：“toned”与“roses”之间的汉明距离就是3
python实现：
import numpy as npv1=np.random.random(10)>0.5v2=np.random.random(10)>0.5vec1=np.asarray(v1,np.int32)vec2=np.asarray(v2,np.int32)dist=np.mean(vec1!=vec2)
# 取均值print(汉明距离测试结果是:\t+str(dist))
划时代发展 BITJOYS币琼斯开创保本跟投合约交易新蓝海
USB转高速串口芯片CH9102介绍
技术普及篇|AWG
240年前竟有如此惊人杰作！由6000多个手工制作的零件拼装而成的自动机，还可书写句子和词语
解读什么是谐振电路的品质因数（Q值）
关于距离计算的总结
高通获得许可与华为恢复业务往来
基于机器翻译增加的跨语言机器阅读理解算法
基于CC2530的无线路灯节能智能监控系电路设计
从时序角度来探讨不同类型的源同步协议技术分析
传感器领域大作：ADI公司的革命性MEMS开关技术基本原理
超星未来NE100开箱体验，15分钟部署目标检测模型
先进封装 Chiplet 技术与 AI 芯片发展
jenkins简单的使用教程_jenkins安装与配置
音频、以太网、显示、电池......ADI是这样助力实现“第三生活空间”的！
iphone4s越狱_iphone4s 5.1.1完美越狱教程
基于RFID的智能制造解决方案
你了解区块链哪些关键的核心技术
区块链如何能在不久的将来改变运输业
4位二进制加法器原理 4位二进制加法器设计
1 余弦距离
余弦夹角也可以叫余弦相似度。集合中夹角可以用来衡量两个向量方向的差异，机器学习中借用这一概念来衡量样本向量之间的差异。
余弦取值范围为[-1,1]。求得两个向量的夹角，并得出夹角对应的余弦值，词余弦值就可以用来表示这两个向量的相似性。夹角越小，趋近于0度，余弦值越接近于1，它们的方向就更加吻合，即更加相似。当两个向量的方向完全相反时，夹角的余弦取最小值-1。当余弦值为0时，两向量正交，夹角为90度。因此可以看出，余弦相似度于向量的幅值无关，于向量的方向相关。
公式描述：
python代码实现：
import numpy as np# np.dot(vec1,vec2) 量向量（数组）：两个数组的点积，即元素对应相乘后求和# np.linalg.norm(vec1)：即求vec1向量的二范数（向量的模）vec1 = [1,2,3,4]vec2 = [5,6,7,8]dist1 = np.dot(vec1, vec2)/(np.linalg.norm(vec1)*np.linalg.norm(vec2))print(余弦距离测试结果为：\t+str(dist1))
2 欧氏距离
欧几里得距离即欧几里得空间中两点间的直线距离。
python实现：
import numpy as npvec1 = np.mat([1,2,3,4]) # 生成numpy矩阵vec2 = np.mat([5,6,7,8])# 根据公式求解1dist1 = np.sqrt(np.sum(np.square(vec1 - vec2)))print(欧式距离测试结果是：\t+ str(dist1))dist2 = np.sqrt((vec1-vec2)*(vec1-vec2).t)# 根据公式求解2print(欧式距离测试结果是：\t+ str(dist2))
3 曼哈顿距离
曼哈顿距离也成为城市街区距离。用来表示两个点在标准坐标系上的绝对轴距之和，即从一个路口到另外一个路口，驾驶距离不是两点之间的直线距离。
python实现
import numpy as npvec1 = np.mat([1,2,3,4])vec2 = np.mat([6,7,8,9])dist = np.sum(np.abs(vec1 - vec2))print(曼哈顿距离测试结果是：\t+str(dist))
4 明可夫斯基距离
明氏距离又叫明可夫斯基距离，是欧氏空间中的一种测度，被看作欧氏距离和曼哈顿距离的一种推广。
当p=1时，就是曼哈顿距离
当p=2时，就是欧氏距离
当p=3时，就是切比雪夫距离
python实现
可参照之前代码
5 切比雪夫距离
python实现
import numpy as npvec1 = np.mat([1,2,3,4])vec2 = np.mat([5,6,7,8])dist = np.max(np.abs(vec1 - vec2))print(切比雪夫距离测试结果是：\t + str(dist))
6 杰卡德距离
杰卡德（jaccard）相似系数：两个集合a和b的交集在元素在a、b的并集中所占的比例，称为两个集合的杰卡德相似系数，用符号j(a,b)表示。杰卡德距离：在占比中所取的是两个集合中不同元素。
python实现：
import numpy as npv1 = np.random.random(10) > 0.5
# 生成10个true false数据（即0，1）v2 = np.random.random(10) > 0.5vec1 = np.asanyarray(v1, np.int32)
# 转换位0、1矩阵vec2 = np.asanyarray(v2, np.int32)# 距离计算up = np.double(np.bitwise_and((vec1 != vec2),np.bitwise_or(vec1 !=0,vec2!=0)).sum())
# 涉及到数学逻辑运算down = np.double(np.bitwise_or(vec1 !=0 ,vec2!=0).sum())
# 取并集, (vec1 !=0 ,vec2!=0)先转对应元素为true ，false的矩阵dist = (up/down)print(杰卡德距离测试结果是：\t+str(dist))
7 汉明距离
在信息论中，两个登场字符串之间的汉明距离对应位置上的不同字符的个数。也就是说，将一个字符串变换成另一个字符串所需要替换的字符个数。
例如：“toned”与“roses”之间的汉明距离就是3
python实现：
import numpy as npv1=np.random.random(10)>0.5v2=np.random.random(10)>0.5vec1=np.asarray(v1,np.int32)vec2=np.asarray(v2,np.int32)dist=np.mean(vec1!=vec2)
# 取均值print(汉明距离测试结果是:\t+str(dist))
划时代发展 BITJOYS币琼斯开创保本跟投合约交易新蓝海
USB转高速串口芯片CH9102介绍
技术普及篇|AWG
240年前竟有如此惊人杰作！由6000多个手工制作的零件拼装而成的自动机，还可书写句子和词语
解读什么是谐振电路的品质因数（Q值）
关于距离计算的总结
高通获得许可与华为恢复业务往来
基于机器翻译增加的跨语言机器阅读理解算法
基于CC2530的无线路灯节能智能监控系电路设计
从时序角度来探讨不同类型的源同步协议技术分析
传感器领域大作：ADI公司的革命性MEMS开关技术基本原理
超星未来NE100开箱体验，15分钟部署目标检测模型
先进封装 Chiplet 技术与 AI 芯片发展
jenkins简单的使用教程_jenkins安装与配置
音频、以太网、显示、电池......ADI是这样助力实现“第三生活空间”的！
iphone4s越狱_iphone4s 5.1.1完美越狱教程
基于RFID的智能制造解决方案
你了解区块链哪些关键的核心技术
区块链如何能在不久的将来改变运输业
4位二进制加法器原理 4位二进制加法器设计