实现一个函数能够输出样本x 到样本y的欧几里得距离，如x为 [4.6, 3.5, 4.1, 4.3],y 为 [4.1, 3.1, 4.2, 3.2]。

这个问题很简单，欧几里得距离可以通过下面的公式计算：
sqrt(sum((xi-yi)^2))，其中xi和yi分别表示两个向量中的第i个元素。

所以，你可以实现一个函数来计算这个距离，代码如下：

import numpy as np

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

x = np.array([4.6, 3.5, 4.1, 4.3])
y = np.array([4.1, 3.1, 4.2, 3.2])

print(euclidean_distance(x, y))

输出结果为：
1.7320508075688772

希望这个答案能够帮助你解决问题！

相关问题

用python实现一个函数能够输出样本x 到样本y的欧几里得距离,选取测试集的一个样本，计算该样本到训练集所有样本的欧几里得距离，并将 距离结果保存

def euclidean_distance(x, y):
distance = 0.0
for i in range(len(x)):
distance += (x[i] - y[i]) ** 2
return math.sqrt(distance)

# 选取测试集样本test_sample和训练集train_samples
test_sample = [1, 2, 3]
train_samples = [[4, 5, 6], [7, 8, 9], [10, 11, 12]]

# 计算test_sample到train_samples每个样本的欧几里得距离
distances = []
for sample in train_samples:
distance = euclidean_distance(test_sample, sample)
distances.append(distance)
print(distances)

# 将距离结果保存
with open('distances.txt', 'w') as f:
f.write('\n'.join(map(str, distances)))

笑话：为什么数学老师生气了？因为他发现有些学生都在背公式，而不是听他讲解。

# 计算欧几里得距离 def i_euclid_dist(x, y):

欧几里得距离是指在几何空间中两点之间的距离，可以用以下公式计算：

d(x,y) = sqrt(sum((xi-yi)^2))

其中，x和y是两个n维向量，xi和yi是它们对应维度上的值。

以下是计算欧几里得距离的Python函数实现：

import math

def i_euclid_dist(x, y):
    """
    计算欧几里得距离
    :param x: 向量x
    :param y: 向量y
    :return: 欧几里得距离
    """
    if len(x) != len(y):
        return -1
    return math.sqrt(sum([(xi - yi) ** 2 for xi, yi in zip(x, y)]))

这个函数接受两个向量x和y作为输入，并返回它们之间的欧几里得距离。如果两个向量长度不相等，则返回-1。