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()
Python3
# 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()
Python3
# 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()
Python3
# 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
Publicación traducida automáticamente
Artículo escrito por dadimadhav y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA