python欧几里得相似度

Python中计算欧几里得相似度通常用于比较两个向量之间的距离，它基于欧几里得距离的概念，即两点在n维空间中的直线距离。在Python中，我们可以使用内置的`math`模块或第三方库如`numpy`来计算。以下是计算欧几里得相似度的基本步骤：

1. 定义两个向量（列表或numpy数组）。
2. 对两个向量分别求平方和（`sum(x**2)`）。
3. 计算两个平方和的差值。
4. 取差值的平方根，得到欧几里得距离（`sqrt(sum((a-b)**2))`）。
5. 欧几里得相似度通常是用1减去距离，范围在0到1之间，越接近1表示相似度越高。

以下是一个简单的例子：

import math

def euclidean_similarity(vec1, vec2):
    if len(vec1) != len(vec2):
        raise ValueError("Vectors must have the same dimensions")
    dot_product = sum(x * y for x, y in zip(vec1, vec2))
    vec1_mag = math.sqrt(sum(x**2 for x in vec1))
    vec2_mag = math.sqrt(sum(y**2 for y in vec2))
    return dot_product / (vec1_mag * vec2_mag)

# 示例向量
vector_a = [1, 2, 3]
vector_b = [4, 5, 6]

similarity = euclidean_similarity(vector_a, vector_b)