包含NaN的欧几里得距离#

sklearn.metrics.pairwise.nan_euclidean_distances(X, Y=None, *, squared=False, missing_values=nan, copy=True)[source]#

计算存在缺失值时的欧几里得距离。

计算X和Y中每对样本之间的欧几里得距离，如果Y=None，则假设Y=X。在计算一对样本之间的距离时，此公式会忽略任一样本中具有缺失值的特征坐标，并按比例放大其余坐标的权重。

dist(x,y) = sqrt(weight * sq. distance from present coordinates)

其中

weight = Total # of coordinates / # of present coordinates

例如，[3, na, na, 6]和[1, na, 4, 5]之间的距离为

\[\sqrt{\frac{4}{2}((3-1)^2 + (6-5)^2)}\]

如果所有坐标都缺失，或者没有共同存在的坐标，则返回该对的NaN。

更多信息请参见用户指南。

版本0.22中新增。

参数：
X形状为(n_samples_X, n_features)的类数组

一个数组，其中每一行是一个样本，每一列是一个特征。

Y形状为(n_samples_Y, n_features)的类数组，默认为None

一个数组，其中每一行是一个样本，每一列是一个特征。如果为None，则该方法使用Y=X。

squared布尔值，默认为False

返回平方欧几里得距离。

missing_valuesnp.nan、浮点数或整数，默认为np.nan

缺失值的表示。

copy布尔值，默认为True

创建并使用 X 和 Y 的深拷贝（如果 Y 存在）。

返回值:
distances形状为 (n_samples_X, n_samples_Y) 的 ndarray

返回X 的行向量与Y 的行向量之间的距离。

参见

配对距离

X 和 Y 元素对之间的距离。

参考文献

示例

>>> from sklearn.metrics.pairwise import nan_euclidean_distances
>>> nan = float("NaN")
>>> X = [[0, 1], [1, nan]]
>>> nan_euclidean_distances(X, X) # distance between rows of X
array([[0.        , 1.41421356],
       [1.41421356, 0.        ]])

>>> # get distance to origin
>>> nan_euclidean_distances(X, [[0, 0]])
array([[1.        ],
       [1.41421356]])