Как вычислить евклидово расстояние (L2 норму) между векторами в NumPy?

Что такое Евклидово расстояние? Геометрическая интерпретация

Евклидово расстояние, также известное как L2 расстояние, представляет собой длину прямой линии между двумя точками в евклидовом пространстве. В двумерном пространстве (на плоскости) это соответствует теореме Пифагора: расстояние равно квадратному корню из суммы квадратов разностей координат. Геометрически, это наиболее интуитивный способ измерения расстояния «как мы видим его».

Саммари статьи

ChatGPT

Google AI

Grok

Perplexity

Определение L2 нормы вектора

L2 норма (или евклидова норма) вектора — это длина этого вектора, рассматриваемого как направленный отрезок, выходящий из начала координат. Формально, L2 норма вектора v = (v₁, v₂, …, vn) вычисляется как квадратный корень из суммы квадратов его компонент: ||v||₂ = √(v₁² + v₂² + … + vn²).

Связь между Евклидовым расстоянием и L2 нормой

Евклидово расстояние между двумя векторами a и b равно L2 норме разности этих векторов: distance(a, b) = ||a — b||₂. Другими словами, чтобы найти расстояние между двумя точками, мы вычисляем вектор, соединяющий эти точки (разность векторов), а затем находим длину этого вектора (L2 норму).

Вычисление Евклидова расстояния между векторами в NumPy

Подготовка векторов: создание NumPy массивов

Для вычислений с векторами в Python удобно использовать библиотеку NumPy. Начнем с создания NumPy массивов, представляющих наши векторы.

import numpy as np

# Пример векторов
a: np.ndarray = np.array([1, 2, 3])
b: np.ndarray = np.array([4, 5, 6])

print(f'{a=}')
print(f'{b=}')

Реализация вычисления Евклидова расстояния вручную (с использованием NumPy операций)

Можно вычислить Евклидово расстояние вручную, используя базовые операции NumPy. Это полезно для понимания процесса.

import numpy as np


def euclidean_distance_manual(a: np.ndarray, b: np.ndarray) -> float:
    """Вычисляет евклидово расстояние между двумя векторами вручную.

    Args:
        a: Первый вектор (NumPy массив).
        b: Второй вектор (NumPy массив).

    Returns:
        Евклидово расстояние между a и b.
    """
    squared_difference: np.ndarray = (a - b) ** 2
    sum_of_squares: float = np.sum(squared_difference)
    distance: float = np.sqrt(sum_of_squares)
    return distance


a: np.ndarray = np.array([1, 2, 3])
b: np.ndarray = np.array([4, 5, 6])

distance: float = euclidean_distance_manual(a, b)
print(f'{distance=}')

Использование NumPy для эффективного расчета: np.linalg.norm

NumPy предоставляет встроенную функцию np.linalg.norm для вычисления нормы вектора, что делает код более лаконичным и эффективным.

import numpy as np


def euclidean_distance_numpy(a: np.ndarray, b: np.ndarray) -> float:
    """Вычисляет евклидово расстояние между двумя векторами, используя np.linalg.norm.

    Args:
        a: Первый вектор (NumPy массив).
        b: Второй вектор (NumPy массив).

    Returns:
        Евклидово расстояние между a и b.
    """
    distance: float = np.linalg.norm(a - b)
    return distance


a: np.ndarray = np.array([1, 2, 3])
b: np.ndarray = np.array([4, 5, 6])

distance: float = euclidean_distance_numpy(a, b)
print(f'{distance=}')

Примеры вычисления Евклидова расстояния в NumPy

Пример 1: Расстояние между двумя векторами в 2D пространстве

import numpy as np

vector1: np.ndarray = np.array([1, 2])
vector2: np.ndarray = np.array([4, 6])
distance: float = np.linalg.norm(vector1 - vector2)
print(f'{distance=}')

Пример 2: Расстояние между векторами в многомерном пространстве (3D и выше)

import numpy as np

vector1: np.ndarray = np.array([1, 2, 3, 4])
vector2: np.ndarray = np.array([5, 6, 7, 8])
distance: float = np.linalg.norm(vector1 - vector2)
print(f'{distance=}')

Пример 3: Вычисление расстояния между набором векторов и одним вектором (broadcast)

Используя broadcasting, можно эффективно вычислить расстояния от одного вектора до нескольких других.

import numpy as np

vectors: np.ndarray = np.array([[1, 2], [3, 4], [5, 6]])
point: np.ndarray = np.array([0, 0])

distances: np.ndarray = np.linalg.norm(vectors - point, axis=1)
print(f'{distances=}')

Оптимизация вычислений Евклидова расстояния для больших данных

Векторизация и избежание циклов: почему это важно?

Векторизация операций NumPy позволяет избежать явных циклов, что значительно ускоряет вычисления, особенно для больших наборов данных. NumPy использует оптимизированные библиотеки (например, BLAS, LAPACK) для выполнения векторных и матричных операций.

Использование np.linalg.norm с указанием оси (axis) для пакетной обработки

Как показано в примере 3, указание аргумента axis в np.linalg.norm позволяет вычислить нормы для каждой строки (или столбца) в многомерном массиве, что эквивалентно пакетной обработке.

Рассмотрение альтернативных библиотек (SciPy) для специфических случаев

Для очень больших наборов данных и специфических требований к производительности стоит рассмотреть библиотеку SciPy, которая предоставляет дополнительные оптимизированные функции для линейной алгебры и вычислений расстояний.

Заключение

Краткое резюме методов вычисления Евклидова расстояния в NumPy

Мы рассмотрели ручной метод вычисления Евклидова расстояния, а также более эффективный способ с использованием np.linalg.norm. Оба метода приводят к одинаковому результату, но np.linalg.norm предпочтительнее из-за его скорости и лаконичности.

Области применения Евклидова расстояния (кластеризация, машинное обучение)

Евклидово расстояние широко используется в различных областях, включая:

• Кластеризацию (например, k-means)
• Машинное обучение (например, k-ближайших соседей)
• Поиск похожих объектов
• Рекомендательные системы

Дополнительные ресурсы и ссылки для дальнейшего изучения

• Документация NumPy: https://numpy.org/doc/
• Документация SciPy: https://docs.scipy.org/doc/