Calcule la distancia euclidiana usando NumPy

En términos simples, la distancia euclidiana es la más corta entre los 2 puntos, independientemente de las dimensiones. En este artículo, para encontrar la distancia euclidiana, usaremos la biblioteca NumPy . Esta biblioteca se utiliza para manipular arrays multidimensionales de una manera muy eficiente. Analicemos algunas formas de encontrar la distancia euclidiana mediante la biblioteca NumPy.

Método #1: Usar linalg.norm() 

# Python code to find Euclidean distance
# using linalg.norm()
 
import numpy as np
 
# initializing points in
# numpy arrays
point1 = np.array((1, 2, 3))
point2 = np.array((1, 1, 1))
 
# calculating Euclidean distance
# using linalg.norm()
dist = np.linalg.norm(point1 - point2)
 
# printing Euclidean distance
print(dist)

Producción:

2.23606797749979

Método #2: Usar punto() 

# Python code to find Euclidean distance
# using dot()
 
import numpy as np
 
# initializing points in
# numpy arrays
point1 = np.array((1, 2, 3))
point2 = np.array((1, 1, 1))
 
# subtracting vector
temp = point1 - point2
 
# doing dot product
# for finding
# sum of the squares
sum_sq = np.dot(temp.T, temp)
 
# Doing squareroot and
# printing Euclidean distance
print(np.sqrt(sum_sq))

Producción:

2.23606797749979

Método #3: Usando square() y sum() 

# Python code to find Euclidean distance
# using sum() and square()
 
import numpy as np
 
# initializing points in
# numpy arrays
point1 = np.array((1, 2, 3))
point2 = np.array((1, 1, 1))
 
# finding sum of squares
sum_sq = np.sum(np.square(point1 - point2))
 
# Doing squareroot and
# printing Euclidean distance
print(np.sqrt(sum_sq))

Producción:

2.23606797749979