<\/p>\n
Der Manhattan-Abstand<\/strong> zwischen zwei Vektoren A<\/em> und B<\/em> wird wie folgt berechnet:<\/span><\/p>\n \u03a3|A i<\/sub> \u2013 B i<\/sub> |<\/span><\/p>\n wobei i<\/em> das i- te<\/sup> Element jedes Vektors ist.<\/span><\/p>\n Dieser Abstand wird zur Messung der Un\u00e4hnlichkeit zwischen zwei Vektoren verwendet und wird h\u00e4ufig in vielen Algorithmen f\u00fcr maschinelles Lernen<\/a> verwendet.<\/span><\/p>\n Dieses Tutorial zeigt zwei M\u00f6glichkeiten zur Berechnung des Manhattan-Abstands zwischen zwei Vektoren in Python.<\/span><\/p>\n Der folgende Code zeigt, wie man in Python eine benutzerdefinierte Funktion zur Berechnung des Manhattan-Abstands zwischen zwei Vektoren erstellt:<\/span><\/p>\n Der Manhattan-Abstand zwischen diesen beiden Vektoren betr\u00e4gt 9<\/strong> .<\/span><\/p>\n Wir k\u00f6nnen best\u00e4tigen, dass dies richtig ist, indem wir schnell die Entfernung nach Manhattan von Hand berechnen:<\/span><\/p>\n \u03a3|A i<\/sub> \u2013 B i<\/sub> | = |2-5| + |4-5| + |4-7| + |6-8| = 3 + 1 + 3 + 2 = 9<\/strong> .<\/span><\/p>\n Eine andere M\u00f6glichkeit, den Manhattan-Abstand zwischen zwei Vektoren zu berechnen, ist die Verwendung der Funktion cityblock()<\/a> aus dem SciPy-Paket:<\/span><\/p>\n Auch hier betr\u00e4gt der Manhattan-Abstand zwischen diesen beiden Vektoren 9<\/strong> .<\/span><\/p>\n Beachten Sie, dass wir diese Funktion auch verwenden k\u00f6nnen, um den Manhattan-Abstand zwischen zwei Spalten in einem Pandas-DataFrame zu ermitteln:<\/span><\/p>\n So berechnen Sie den euklidischen Abstand in Python<\/a> Der Manhattan-Abstand zwischen zwei Vektoren A und B wird wie folgt berechnet: \u03a3|A i \u2013 B i | wobei i das i- te Element jedes Vektors ist. Dieser Abstand wird zur Messung der Un\u00e4hnlichkeit zwischen zwei Vektoren verwendet und wird h\u00e4ufig in vielen Algorithmen f\u00fcr maschinelles Lernen verwendet. Dieses Tutorial zeigt zwei M\u00f6glichkeiten zur Berechnung […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Methode 1: Schreiben Sie eine benutzerdefinierte Funktion<\/strong><\/span><\/h3>\n
from<\/span> math import<\/span> sqrt\n\n#create function to calculate Manhattan distance<\/span> \ndef<\/span> manhattan(a, b):\n return<\/span> sum<\/span> ( abs<\/span> (val1-val2) for<\/span> val1, val2 in<\/span> zip<\/span> (a,b))\n \n#definevectors\n<\/span>A = [2, 4, 4, 6]\nB = [5, 5, 7, 8]\n\n#calculate Manhattan distance between vectors\n<\/span>manhattan(A,B)\n\n9<\/strong><\/pre>\n Methode 2: Verwenden Sie die Funktion cityblock()<\/strong><\/span><\/h3>\n
from<\/span> scipy. spatial<\/span> . distance<\/span> import<\/span> cityblock\n\n#definevectors\n<\/span>A = [2, 4, 4, 6]\nB = [5, 5, 7, 8]\n\n#calculate Manhattan distance between vectors\n<\/span>cityblock(A, B)\n\n9<\/strong><\/pre>\n from<\/span> scipy. spatial<\/span> . distance<\/span> import<\/span> cityblock\nimport<\/span> pandas as<\/span> pd\n\n#define DataFrame\n<\/span>df = pd. DataFrame<\/span> ({' A<\/span> ': [2, 4, 4, 6],\n ' B<\/span> ': [5, 5, 7, 8],\n ' C<\/span> ': [9, 12, 12, 13]})\n\n#calculate Manhattan distance between columns A and B<\/span>\ncityblock(df. A<\/span> , df. B<\/span> )\n\n9<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie die Hamming-Distanz in Python<\/a>
So berechnen Sie die Levenshtein-Distanz in Python<\/a>
So berechnen Sie die Mahalanobis-Distanz in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"