def euclidean_distance(a, b): x1=a[0], y1=a[1] x2=b[0], y2=b[1] return math.sqrt((x1 - x2)**2 + (y1 - y2)**2) 报错TypeError: 'int' object is not subscriptable

这个错误是因为你在函数中将变量 a 和 b 当作列表或元组来处理，但是它们实际上是整数。当你尝试使用索引操作符（[]）来获取元素时，会出现 "TypeError: 'int' object is not subscriptable" 错误。

要解决这个问题，你可以直接将 a 和 b 视为坐标的整数值，而不是列表或元组。这样，你就不需要使用索引操作符来获取 x 和 y 值。修改代码如下：

import math

def euclidean_distance(a, b):
    x1, y1 = a
    x2, y2 = b
    return math.sqrt((x1 - x2)**2 + (y1 - y2)**2)

现在，你可以将两个坐标作为参数传递给函数 euclidean_distance，并获得它们之间的欧氏距离，而不会出现 "TypeError: 'int' object is not subscriptable" 错误。

相关问题

欧几里得度量（euclidean metric）（也称欧氏距离）是一个通常采用的距离定义。三维空间里点a和b的坐标如果分别为a(x1,y1,z1)、b(x2,y2,z2)，则ab的距离的计算机公式是dist(a,b) = √( (x1-x2)^2+(y1-y2)^2+(z1-z2)^2 )‪‬‪‬‪‬‪‬‪‬‮‬‫‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‫‬ 编写函数计算两点的欧式距离，并输出（保留小数点后两位）。

可以编写一个函数来计算两点的欧式距离：

import math

def euclidean_distance(x1, y1, z1, x2, y2, z2):
    return round(math.sqrt((x1 - x2) ** 2 + (y1 - y2) ** 2 + (z1 - z2) ** 2), 2)

使用上述函数，我们可以计算两点的欧式距离：

distance = euclidean_distance(1, 2, 3, 4, 5, 6)
print(distance)

输出结果为：

5.2

即点 (1,2,3) 和点 (4,5,6) 之间的欧式距离为 5.2。

实验目的: 掌握 kNN 算法，并使用 python 语言实现 2. 基本思想： 给定一个训练集，对新输入的实例，在训练数据集中找到与该实例最接近的 k 个实例，这 k 个实例的多数属于 某个类，就把该输入实例分为这个类。 输入：训练集 T={(x1,y1),(x2,y2),...(xn,yn)}，其中 x 为样本的特征向量，为样本的类别 输出：样本 x 所属的类别 y （1）选定距离度量方法，在训练集 T 中找出与待预测样本 x 最接近的 k 个样本点，包含这 k 个点的 x 的邻 域记作； （2）在中根据分类决策规则（如多数表决法）来决定 x 所属的类别 y,k=5

好的，你想使用Python实现kNN算法，并且k的值为5。那么，你需要先准备好训练集和测试集，在代码中读入数据。然后，你需要选择距离度量方法，例如欧氏距离或曼哈顿距离等。接下来，你可以编写代码来计算每个测试样本与训练集中所有样本的距离，并找到距离最近的k个邻居。最后，你需要根据分类决策规则（如多数表决法）来决定测试样本的类别。

下面是一个简单的kNN算法实现的Python代码示例：

import numpy as np
from collections import Counter

# 读入数据
def load_data(file):
    data = np.loadtxt(file, delimiter=",")
    X = data[:, :-1]
    y = data[:, -1]
    return X, y

# 计算距离
def euclidean_distance(x1, x2):
    return np.sqrt(np.sum((x1 - x2)**2))

# kNN算法
def knn(X_train, y_train, X_test, k):
    y_pred = []
    for x in X_test:
        # 计算测试样本与所有训练样本的距离
        distances = [euclidean_distance(x, x_train) for x_train in X_train]
        # 找到距离最近的k个邻居
        k_nearest_neighbors = np.argsort(distances)[:k]
        # 根据多数表决法来决定测试样本的类别
        k_nearest_labels = [y_train[i] for i in k_nearest_neighbors]
        most_common_label = Counter(k_nearest_labels).most_common(1)[0][0]
        y_pred.append(most_common_label)
    return np.array(y_pred)

# 测试
X_train, y_train = load_data("train.csv")
X_test, y_test = load_data("test.csv")
y_pred = knn(X_train, y_train, X_test, k=5)
accuracy = np.sum(y_pred == y_test) / len(y_test)
print("Accuracy:", accuracy)

在这个例子中，我们使用了欧氏距离作为距离度量方法，并且计算了测试样本与所有训练样本的距离。然后，我们找到了距离最近的k个邻居，并使用多数表决法来决定测试样本的类别。最后，我们计算了模型的准确率，以评估模型的性能。