haversine_distances#

sklearn.metrics.pairwise.haversine_distances(X, Y=None)[源码]#

计算 X 和 Y 中的样本之间的 Haversine 距离。

Haversine（或大圆）距离是球面上两点之间的角距离。假设每个点的第一个坐标为纬度，第二个坐标为经度，单位均为弧度。数据的维度必须为 2。

\[D(x, y) = 2\arcsin[\sqrt{\sin^2((x_{lat} - y_{lat}) / 2) + \cos(x_{lat})\cos(y_{lat})\ sin^2((x_{lon} - y_{lon}) / 2)}]\]

参数:

X{类数组, 稀疏矩阵}，形状为 (n_samples_X, 2): 特征数组。
Y{类数组, 稀疏矩阵}，形状为 (n_samples_Y, 2), 默认=None: 可选的第二个特征数组。如果为 None，则使用 Y=X。

返回:

distancesndarray of shape (n_samples_X, n_samples_Y): 距离矩阵。

注意事项

由于地球近似为球体，Haversine 公式为地球表面两点之间的距离提供了良好的近似，平均误差小于 1%。

示例

我们希望计算埃塞萨机场（阿根廷布宜诺斯艾利斯）和戴高乐机场（法国巴黎）之间的距离。

>>> from sklearn.metrics.pairwise import haversine_distances
>>> from math import radians
>>> bsas = [-34.83333, -58.5166646]
>>> paris = [49.0083899664, 2.53844117956]
>>> bsas_in_radians = [radians(_) for _ in bsas]
>>> paris_in_radians = [radians(_) for _ in paris]
>>> result = haversine_distances([bsas_in_radians, paris_in_radians])
>>> result * 6371000/1000  # multiply by Earth radius to get kilometers
array([[    0.        , 11099.54035582],
       [11099.54035582,     0.        ]])