在UCI数据集中随机选择一个数据集，然后绘制柱状图，编写曼哈顿距离和余弦相似度，给出此实验代码

在Python中，我们可以使用pandas库加载UCI数据集（例如iris、波士顿房价等），matplotlib库用于绘制柱状图，sklearn库里的manhatten_distances和cosine_similarity函数计算曼哈顿距离和余弦相似度。下面是一个简单的示例，我们将以UCI的鸢尾花（Iris）数据集为例：

首先安装所需的库（如果尚未安装）：

pip install pandas scikit-learn matplotlib seaborn

然后，我们导入必要的模块并加载数据：

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
from sklearn.metrics.pairwise import manhattan_distance, cosine_similarity

# 加载鸢尾花数据集
iris = load_iris()
data = pd.DataFrame(iris.data, columns=iris.feature_names)

接下来，我们准备绘制柱状图。这里以花瓣长度和宽度为例，展示各品种的分布：

# 划分数据和标签
features = ['petal length (cm)', 'petal width (cm)']
X = data[features]
y = iris.target

# 绘制柱状图
plt.figure(figsize=(8,6))
for i, species in enumerate(np.unique(y)):
    sub_df = X[y == species]
    plt.bar(sub_df.index, sub_df.values[:,0], label=f'Species {species}', alpha=0.7)
    plt.bar(sub_df.index, sub_df.values[:,1], bottom=sub_df.values[:,0], color='tab:orange')
plt.xlabel('Sample Index')
plt.ylabel('Petal Size (cm)')
plt.legend()
plt.show()

计算样本间的曼哈顿距离和余弦相似度：

# 对于所有样本对
sample_pairs = list(zip(X.index, X.index))
distances = []
similarities = []

# 计算曼哈顿距离和余弦相似度
for pair in sample_pairs:
    dist = manhattan_distance(X.loc[pair[0]], X.loc[pair[1]])
    sim = cosine_similarity(X.loc[pair[0]].reshape(1, -1), X.loc[pair[1]].reshape(1, -1))[0][0]
    distances.append(dist)
    similarities.append(sim)

print(f"Manhattan Distances: {distances}")
print(f"Cosine Similarities: {similarities}")

这将显示每个样本对之间的曼哈顿距离和余弦相似度。注意实际运行时，你需要根据UCI数据集的实际结构调整上述代码。