欧式距离python

欧式距离(Euclidean distance)通常用于计算两个向量之间的距离。在Python中，可以使用NumPy库中的linalg.norm()函数计算欧式距离。以下是一个示例代码：

import numpy as np

# 两个向量
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 计算欧式距离
dist = np.linalg.norm(a - b)

print(dist)  # 输出结果为 5.19615242271

在上述代码中，通过导入NumPy库，创建了两个向量a和b，然后使用linalg.norm()函数计算它们之间的欧式距离，并将结果存储在变量dist中。最后，使用print()函数输出结果。

相关问题

欧式距离 python

欧式距离（Euclidean distance）可以用来度量两个向量之间的相似性或距离。在Python中，你可以使用NumPy库来计算欧式距离。下面是一个示例代码：

import numpy as np

def euclidean_distance(x, y):
    return np.sqrt(np.sum((x - y) ** 2))

# 例子
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])

distance = euclidean_distance(x, y)
print(distance)

这段代码首先导入了NumPy库，然后定义了一个名为`euclidean_distance`的函数，用于计算欧式距离。该函数接受两个向量`x`和`y`作为输入，并返回它们之间的欧式距离。

在例子中，我们创建了两个三维向量`x`和`y`，然后调用`euclidean_distance`函数来计算它们之间的距离，并将结果打印出来。

欧式距离python代码

以下是计算两点欧式距离的Python代码：

import math

def distance(x1, y1, z1, x2, y2, z2):
    d = math.sqrt((x2 - x1) ** 2 + (y2 - y1) ** 2 + (z2 - z1) ** 2)
    return d

x1, y1, z1 = map(float, input().split(","))
x2, y2, z2 = map(float, input().split(","))
d = distance(x1, y1, z1, x2, y2, z2)
print("{:.2f}".format(d))

其中，`distance`函数接收两个点的坐标参数，计算它们之间的欧式距离并返回。`map`函数用于将输入的字符串转换为浮点数。最后，使用`print`函数输出结果，保留两位小数。