python 给一组矢量点创建亲和矩阵的代码

在Python中，你可以使用scikit-learn库中的`pairwise_distances`函数来计算一组向量点之间的相似度，然后转换为亲和矩阵。假设我们有一组二维向量列表（每个元素是一个列表代表一个点），可以这样做：

from sklearn.metrics.pairwise import cosine_similarity  # 使用余弦相似度作为例子，其他距离衡量方法也可替换

# 假设你的向量数据存储在一个名为points的列表里，每个元素是个长度相同的列表表示一个点
points = [
    [0, 0],  # 点1
    [1, 1],  # 点2
    [-1, -1],  # 点3
    # 更多点...
]

# 计算所有点对之间的相似度
similarity_matrix = cosine_similarity(points)

# 将相似度转换为亲和矩阵（通常我们会取相似度的倒数作为亲和度）
affinity_matrix = 1 / similarity_matrix

# 或者直接保留原相似度值，视具体需求而定
# affinity_matrix = similarity_matrix

print("Affinity Matrix:")
print(affinity_matrix)

这里我们使用了余弦相似度，如果需要其他类型的距离（如欧氏距离、曼哈顿距离等），只需替换`cosine_similarity`即可。