相似度计算之兰氏距离 -- 算法 -- IT技术博客大学习 -- 共学习共进步！

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：

$d(\mathbf {p} ,\mathbf {q} )=\sum _{i=1}^{n}{\frac {|p_{i}-q_{i}|}{|p_{i}|+|q_{i}|}}$

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：

https://en.wikipedia.org/wiki/Canberra_distance

建议继续学习：

相似度计算常用方法综述 (阅读：9377)
字符串匹配那些事（一） (阅读：5769)
如何计算两个文档的相似度（一） (阅读：4778)
URL相似度计算的思考 (阅读：3711)
如何计算两个文档的相似度（二） (阅读：3774)
Levenshtein distance相似度算法 (阅读：3125)
如何计算两个文档的相似度（三） (阅读：2932)
若无云，岂有风——词语语义相似度计算简介 (阅读：2501)
相似度计算之马氏距离 (阅读：1797)
常见相似度计算方法回顾 (阅读：1779)

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