计算样本欧式距离——python

本关实现一个函数来计算欧几里得距离。

通常数据集中的样本都可描述为一个 n 维向量

。每一个维度代表样本的一个属性。比如，对于用户 x 而言，其属性可能是收入、年龄、工作时间等，对于电影而言，其属性可能是出品年份、导演、风格等。本关卡学习欧几里得度量。

欧几里得度量（Euclidean metric）（也称欧氏距离）是一个常用的距离定义，计算 n 维空间中，两个样本点之间的几何距离。

两个在 n 维空间的点

的欧几里得距离为：

本关卡要求你实现函数 euclid_distance，在右侧编辑器 Begin-End 区间补充代码，需要填充的代码块如下：

# -*- coding: utf-8 -*-  
import numpy as np  
def euclid_distance(x1, x2):  
    """计算两个点之间点欧式距离  
    参数:  
        x1-numpy数组  
        x2-numpy数组  
    返回值：  
        ret-浮点型数据  
    """  
    #   请在此添加实现代码     #  
    ret = 0  
    #********** Begin *********#
    #********** End ***********#  
    return ret  

平台将对你的函数输入两个 Numpy 数组，计算欧式距离，比对函数 euclid_distance 的输出结果与正确结果的差异，只有完全正确才能通关。

# -*- coding: utf-8 -*-
import numpy as np
def euclid_distance(x1, x2):
    """计算欧几里得距离
    参数:
        x1 - numpy数组
        x2 - numpy数组
    返回值：
        distance - 浮点数，欧几里得距离
    """
    distance = 0
    #   请在此添加实现代码     #
    #********** Begin *********#
    distance = np.sqrt(np.sum((x1-x2)**2))
    #********** End ***********#
    return distance