# k-means 算法的支持函数：欧式距离计算（补全代码）

以下是可能的代码实现：

import numpy as np

def euclidean_distance(x1, x2):
    """
    计算两个向量的欧式距离
    @param x1: 向量1
    @param x2: 向量2
    @return: 两个向量的欧式距离
    """
    # 补全代码
    return np.sqrt(np.sum((x1 - x2) ** 2))

该函数接收两个向量，计算它们之间的欧式距离并返回。在实现中，我们使用 `numpy` 库计算向量的差，然后使用 `numpy` 库的 `sum` 函数计算平方和，最后使用 `numpy` 库的 `sqrt` 函数计算平方和的平方根。

相关问题

# k-means 算法的支持函数：球面距离计算（补全代码）

以下是可能的代码实现：

import numpy as np

def spherical_distance(longitude1, latitude1, longitude2, latitude2):
    """
    计算两个经纬度坐标点之间的球面距离
    @param longitude1: 经度1
    @param latitude1: 纬度1
    @param longitude2: 经度2
    @param latitude2: 纬度2
    @return: 两个经纬度坐标点之间的球面距离
    """
    # 补全代码
    # 将经纬度转换为弧度
    lon1, lat1, lon2, lat2 = np.radians([longitude1, latitude1, longitude2, latitude2])
    # 使用 Haversine 公式计算球面距离
    dlon = lon2 - lon1
    dlat = lat2 - lat1
    a = np.sin(dlat / 2) ** 2 + np.cos(lat1) * np.cos(lat2) * np.sin(dlon / 2) ** 2
    c = 2 * np.arcsin(np.sqrt(a))
    r = 6371  # 地球半径，单位为公里
    return c * r

该函数接收四个参数，分别为两个经纬度坐标点的经度和纬度，计算它们之间的球面距离并返回。在实现中，我们使用 `numpy` 库将经纬度转换为弧度，然后使用 Haversine 公式计算球面距离。最后，我们将球面距离乘以地球半径，得到距离的单位为公里。

# k-means 算法的支持函数：欧式距离计算（补全代码） """ Parameters: vecA - 点A向量 vecB - 点B向量 Returns: 欧氏距离 """ def distEclud(vecA, vecB):

import numpy as np

def distEclud(vecA, vecB):
    return np.sqrt(np.sum(np.power(vecA - vecB, 2)))

解释一下：

- `np.power(vecA - vecB, 2)` 计算 vecA 与 vecB 中对应元素的差值的平方；
- `np.sum(np.power(vecA - vecB, 2))` 计算上述平方差值的和；
- `np.sqrt(np.sum(np.power(vecA - vecB, 2)))` 计算上述和的平方根，即为欧式距离。