pairwise_distances_argmin#

sklearn.metrics.pairwise_distances_argmin(X, Y, *, axis=1, metric='euclidean', metric_kwargs=None)[source]#

计算一个点与一组点之间的最小距离。

此函数计算 X 中每一行与 Y 中最近（根据指定的距离）行的索引。

这大部分等同于调用

pairwise_distances(X, Y=Y, metric=metric).argmin(axis=axis)

但内存占用更少，对于大型数组也更快。

此函数仅适用于密集二维数组。

参数:
X{array-like, sparse matrix} of shape (n_samples_X, n_features)

包含点的数组。

Y{类数组, 稀疏矩阵} 形状为 (n_samples_Y, n_features)

包含点的数组。

axisint, 默认值=1

计算 argmin 和距离的轴。

metricstr or callable, default=”euclidean”

用于距离计算的度量。可以使用 scikit-learn 或 scipy.spatial.distance 中的任何度量。

如果 metric 是一个可调用函数，它将作用于每一对实例（行）并记录结果值。该可调用函数应接受两个数组作为输入，并返回一个表示它们之间距离的值。这适用于 Scipy 的度量，但效率低于将度量名称作为字符串传递。

不支持距离矩阵。

度量的有效值包括：

  • 来自 scikit-learn：[‘cityblock’, ‘cosine’, ‘euclidean’, ‘l1’, ‘l2’, ‘manhattan’, ‘nan_euclidean’]

  • 来自 scipy.spatial.distance：[‘braycurtis’, ‘canberra’, ‘chebyshev’, ‘correlation’, ‘dice’, ‘hamming’, ‘jaccard’, ‘kulsinski’, ‘mahalanobis’, ‘minkowski’, ‘rogerstanimoto’, ‘russellrao’, ‘seuclidean’, ‘sokalmichener’, ‘sokalsneath’, ‘sqeuclidean’, ‘yule’]

有关这些度量的详细信息，请参阅 scipy.spatial.distance 的文档。

注意

'kulsinski' 在 SciPy 1.9 中已弃用，并将在 SciPy 1.11 中移除。

注意

'matching' 已在 SciPy 1.9 中移除（请改用 'hamming'）。

metric_kwargsdict, 默认值=None

传递给指定度量函数的关键字参数。

返回:
argminnumpy.ndarray

Y[argmin[i], :] 是 Y 中最接近 X[i, :] 的行。

另请参阅

pairwise_distances

X 和 Y 的每一对样本之间的距离。

pairwise_distances_argmin_min

与 pairwise_distances_argmin 相同，但也会返回距离。

示例

>>> from sklearn.metrics.pairwise import pairwise_distances_argmin
>>> X = [[0, 0, 0], [1, 1, 1]]
>>> Y = [[1, 0, 0], [1, 1, 0]]
>>> pairwise_distances_argmin(X, Y)
array([0, 1])