<\/p>\n
De Hamming-afstand<\/strong> tussen twee vectoren is eenvoudigweg de som van de overeenkomstige elementen die tussen de vectoren verschillen.<\/span><\/p>\n Stel dat we bijvoorbeeld de volgende twee vectoren hebben:<\/span><\/p>\n De Hamming-afstand tussen de twee vectoren zou 2<\/strong> zijn, aangezien dit het totale aantal overeenkomende elementen is met verschillende waarden.<\/span><\/p>\n Om de Hamming-afstand tussen twee arrays in Python te berekenen, kunnen we de functie hamming()<\/a> uit de bibliotheek scipy.spatial.distance gebruiken, die de volgende syntaxis gebruikt:<\/span><\/p>\n Houd er rekening mee dat deze functie het percentage<\/strong> overeenkomende elementen retourneert dat tussen de twee arrays verschilt.<\/span><\/p>\n Om de Hamming-afstand te verkrijgen, kunnen we dus eenvoudigweg vermenigvuldigen met de lengte van een van de tabellen:<\/span><\/p>\n Deze tutorial biedt verschillende voorbeelden van praktisch gebruik van deze functie.<\/span><\/p>\n De volgende code laat zien hoe je de Hamming-afstand berekent tussen twee arrays die elk slechts twee mogelijke waarden bevatten:<\/span><\/p>\n De Hamming-afstand tussen de twee tafels is 2<\/strong> .<\/span><\/p>\n De volgende code laat zien hoe u de Hamming-afstand berekent tussen twee arrays die elk verschillende numerieke waarden bevatten:<\/span><\/p>\n De Hamming-afstand tussen de twee tafels is 3<\/strong> .<\/span><\/p>\n De volgende code laat zien hoe u de Hamming-afstand berekent tussen twee arrays die elk verschillende tekenwaarden bevatten:<\/span><\/p>\n De Hamming-afstand tussen de twee tafels is 1<\/strong> .<\/span><\/p>\n Hoe de Euclidische afstand in Python te berekenen<\/a> De Hamming-afstand tussen twee vectoren is eenvoudigweg de som van de overeenkomstige elementen die tussen de vectoren verschillen. Stel dat we bijvoorbeeld de volgende twee vectoren hebben: x = [1, 2, 3, 4] y = [1, 2, 5, 7] De Hamming-afstand tussen de twee vectoren zou 2 zijn, aangezien dit het totale aantal overeenkomende elementen […]<\/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":[],"class_list":["post-1296","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n x = [1, 2, 3, 4]\n\ny = [1, 2, 5, 7]\n<\/strong><\/pre>\n
scipy. spatial<\/span> . distance<\/span> . hamming<\/span> (array1, array2)<\/strong><\/pre>\n scipy. spatial<\/span> . distance<\/span> . hamming<\/span> (array1, array2) * len<\/span> (array1)<\/strong><\/pre>\n Voorbeeld 1: Hamming-afstand tussen binaire arrays<\/strong><\/span><\/h3>\n
from<\/span> scipy. spatial<\/span> . distance<\/span> import<\/span> hamming\n\n#define arrays\n<\/span>x = [0, 1, 1, 1, 0, 1]\ny = [0, 0, 1, 1, 0, 0]\n\n#calculate Hamming distance between the two arrays\n<\/span>hamming(x, y) * len<\/span> (x)\n\n2.0\n<\/strong><\/pre>\n Voorbeeld 2: Hamming-afstand tussen numerieke arrays<\/strong><\/span><\/h3>\n
from<\/span> scipy. spatial<\/span> . distance<\/span> import<\/span> hamming\n\n#define arrays\n<\/span>x = [7, 12, 14, 19, 22]\ny = [7, 12, 16, 26, 27]\n\n#calculate Hamming distance between the two arrays\n<\/span>hamming(x, y) * len<\/span> (x)\n\n3.0<\/strong><\/pre>\n Voorbeeld 3: Hamming-afstand tussen stringarrays<\/strong><\/span><\/h3>\n
from<\/span> scipy.<\/span> spatial<\/span> . distance<\/span> import<\/span> hamming<\/span> \n\n#define arrays\n<\/span>x = ['a', 'b', 'c', 'd']\ny = ['a', 'b', 'c', 'r']\n\n#calculate Hamming distance between the two arrays\n<\/span>hamming(x, y) * len<\/span> (x)\n\n1.0\n<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe Mahalanobis-afstand in Python te berekenen<\/a>
Hoe Jaccard-gelijkenis in Python te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"