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。

相关问题

使用python实现3. 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。

这是一个涉及机器学习的技术问题，可以回答。 使用Python实现该计算，可以通过循环遍历训练集所有样本，并计算每个样本之间的欧几里得距离。将结果保存在一个列表中即可。代码示例：

import numpy as np
from scipy.spatial.distance import euclidean

train_data = [...] # 训练集数据
test_sample = [...] # 测试集样本

distances = []
for i in range(len(train_data)):
    dist = euclidean(train_data[i], test_sample)
    distances.append(dist)

print(distances)

其中，train_data 是训练集数据，可以是一个列表或 Numpy 数组，test_sample 是测试集样本，也可以是一个列表或 Numpy 数组。 euclidean 函数是 Scipy 库中计算欧几里得距离的函数，将欧几里得距离计算结果保存在 distances 列表中。

python高光谱分类选取样本代码

高光谱分类的样本选择通常涉及到特征选择和样本选择两个方面。以下是一个简单的Python代码示例，用于基于最大化差异性和最小化重复性的目标函数来选择样本。

import numpy as np
from sklearn.metrics.pairwise import euclidean_distances

def select_samples(X, y, n_samples):
    # 计算特征之间的欧几里得距离
    dist = euclidean_distances(X)
    
    # 初始化样本索引列表
    selected = []
    
    # 随机选择一个起始样本
    idx = np.random.choice(X.shape[0])
    selected.append(idx)
    
    # 循环选择剩余样本
    for i in range(n_samples - 1):
        # 计算与已选样本之间的平均距离
        dist_selected = dist[selected,:][:,selected]
        dist_mean = np.mean(dist_selected, axis=1)
        
        # 选择离已选样本平均距离最大的样本
        idx = np.argmax(dist_mean)
        selected.append(idx)
        
    return X[selected,:], y[selected]

这个函数接受一个高光谱数据矩阵 `X` 和对应的类别标签 `y`，以及要选择的样本数量 `n_samples`。它首先计算特征之间的欧几里得距离，并随机选择一个起始样本。然后，它循环选择剩余的样本，每次选择与已选样本之间平均距离最大的样本。最终，函数返回选择的样本矩阵和对应的类别标签。