用python实现knn算法计算欧几里得距离

在Python中，我们可以使用sklearn库来轻松地实现KNN（K-Nearest Neighbors）算法，其中包括计算欧几里得距离。以下是简单的步骤：

首先，确保安装了必要的库：

pip install numpy sklearn

然后，你可以创建一个函数来计算两个向量之间的欧几里得距离：

import numpy as np

def euclidean_distance(vec1, vec2):
    """
    计算两个向量的欧几里得距离
    :param vec1: 向量1 (numpy数组)
    :param vec2: 向量2 (numpy数组)
    :return: 欧几里得距离
    """
    return np.sqrt(np.sum((vec1 - vec2) ** 2))

# 示例：计算点(x1, y1)和点(x2, y2)的距离
point_a = np.array([1, 2])
point_b = np.array([4, 6])

distance = euclidean_distance(point_a, point_b)
print(f"两点之间的距离为: {distance}")

在这个例子中，`euclidean_distance`函数接收两个numpy数组作为输入，计算它们的差值平方和后再取平方根，得到的就是两点间的欧几里得距离。

如果你想将这个距离应用到KNN算法中，通常会先对数据集进行预处理，计算所有样本之间的距离，并存储在一个距离矩阵或邻接矩阵中。之后，在做预测时，会选择最近的K个邻居并基于他们的标签进行投票或者平均等操作。