相似度计算之兰氏距离
浏览:1365次 出处信息
兰氏距离(Lance and Williams distance)堪培拉距离(Canberra Distance),被认为是曼哈顿距离的加权版本。
其定义公式为:
通常兰氏距离对于接近于0(大于等于0)的值的变化非常敏感。与马氏距离一样,兰氏距离对数据的量纲不敏感。不过兰氏距离假定变量之间相互独立,没有考虑变量之间的相关性。
Python实现:
def canberra_distance(p, q): n = len(p) distance = 0 for i in n: if p[i] == 0 and q[i] == 0: distance += 0 else: distance += abs(p[i] - q[i]) / (abs(p[i]) + abs(q[i])) return distance
参考资料:
建议继续学习:
- 相似度计算常用方法综述 (阅读:9197)
- 字符串匹配那些事(一) (阅读:5594)
- 如何计算两个文档的相似度(一) (阅读:4522)
- URL相似度计算的思考 (阅读:3589)
- 如何计算两个文档的相似度(二) (阅读:3524)
- Levenshtein distance相似度算法 (阅读:3004)
- 如何计算两个文档的相似度(三) (阅读:2727)
- 若无云,岂有风——词语语义相似度计算简介 (阅读:2357)
- 相似度计算之马氏距离 (阅读:1328)
- 常见相似度计算方法回顾 (阅读:1277)
QQ技术交流群:445447336,欢迎加入!
扫一扫订阅我的微信号:IT技术博客大学习
扫一扫订阅我的微信号:IT技术博客大学习
<< 前一篇:常见相似度计算方法回顾
后一篇:一维数组的聚类 >>
文章信息
- 作者:标点符 来源: 标点符
- 标签: 兰氏距离 相似度
- 发布时间:2018-07-05 14:00:16
建议继续学习
近3天十大热文
- [16] 浏览器的工作原理:新式网络浏览器幕后揭秘
- [13] 界面设计速成
- [13] Android设计中的.9.png
- [12] Spark性能优化——和shuffle搏斗
- [11] 深入剖析 redis replication
- [11] sns视觉设计分享
- [10] Python程序的执行原理
- [10] 系统工程师的自我修养- sed篇
- [10] 我的git笔记
- [10] Python 代码规范小结