jupyter notebook实现曼哈顿距离

首先，我们需要定义曼哈顿距离的公式：

曼哈顿距离 = |x1 - x2| + |y1 - y2|

其中，x1、y1是第一个点的坐标，x2、y2是第二个点的坐标。曼哈顿距离表示两个点在平面直角坐标系上的距离。

接下来，我们可以使用jupyter notebook来实现曼哈顿距离的计算。代码如下：

# 定义曼哈顿距离函数
def manhattan_distance(x1, y1, x2, y2):
    return abs(x1 - x2) + abs(y1 - y2)

# 计算两个点的曼哈顿距离
x1, y1 = 1, 2
x2, y2 = 3, 4
distance = manhattan_distance(x1, y1, x2, y2)

# 输出结果
print("曼哈顿距离：", distance)

上述代码定义了一个manhattan_distance函数，用于计算两个点的曼哈顿距离。然后，我们通过传入四个参数来调用这个函数，计算出两个点的曼哈顿距离，并输出结果。

输出结果为：

曼哈顿距离： 4

这说明，点（1，2）和点（3，4）之间的曼哈顿距离为4。

相关问题

jupyter notebook 实现闵式距离

闵式距离是一种常见的距离计算方法，它可以根据不同的参数值，计算出不同的距离公式，包括欧几里得距离、曼哈顿距离、切比雪夫距离等。在 Jupyter Notebook 中，可以通过以下代码实现闵式距离的计算：

import numpy as np

def minkowski_distance(x, y, p=2):
    # 计算闵式距离
    return np.sum(np.abs(x - y) ** p) ** (1/p)

# 示例
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
print(minkowski_distance(x, y, p=2))  # 欧几里得距离
print(minkowski_distance(x, y, p=1))  # 曼哈顿距离
print(minkowski_distance(x, y, p=np.inf))  # 切比雪夫距离

上述代码中，`minkowski_distance` 函数接收两个向量 `x` 和 `y`，以及一个参数 `p`，用于指定闵式距离的计算方式。默认情况下，`p` 取值为 2，即计算欧几里得距离。如果将 `p` 设置为 1，则计算曼哈顿距离；如果将 `p` 设置为无穷大，则计算切比雪夫距离。