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，给出此实验代码和结果

在Python中，我们可以使用pandas库来加载UCI数据集，matplotlib库来绘制柱状图，而sklearn库则可以计算曼哈顿距离和余弦相似度。这里以UCI的鸢尾花（Iris）数据集为例，这是一个经典的分类数据集。

首先，假设你已经安装了必要的库：

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

加载数据集并创建数据框：

data = load_iris()
df = pd.DataFrame(data.data, columns=data.feature_names)

选择一列数据来绘制柱状图，比如花瓣长度（Petal Length）：

plt.figure(figsize=(10, 6))
column_to_plot = 'Petal Length (cm)'
df[column_to_plot].hist(bins=10)
plt.title(f'Histogram of {column_to_plot}')
plt.xlabel(column_to_plot)
plt.ylabel('Frequency')
plt.show()

计算两行之间的曼哈顿距离（示例中的行1和行2）：

row1, row2 = df.iloc[[0, 1]].values
manhattan_dist = manhattan_distance(row1.reshape(1, -1), row2.reshape(1, -1))
print(f"Manhattan distance between rows: {manhattan_dist[0]}")

计算余弦相似度（同样示例中的行1和行2）：

cosine_sim = cosine_similarity([row1], [row2])
print(f"Cosine similarity between rows: {cosine_sim[0][0]}")

注意：由于余弦相似度的结果范围是[-1, 1]，正值表示相似，负值表示相反，值越接近1表示越相似。