現實生活中，我們經常提到距離這個詞，本文談的相似度就是基于距離定義的，當兩個向量之間的距離特別小時，就說這倆個向量相似度高，反之相似度不高。所以，衡量相似度的指標就是距離度量。
經常使用的相似度計算公式有：歐幾里得相似度、余弦相似度、皮爾遜相似度、曼哈頓相似度。
（1）歐幾里得相似度：
import numpy as np
def eculidDisSim(x,y):'''歐幾里得相似度'''return np.sqrt(sum(pow(a-b,2) for a,b in zip(x,y)))
if __name__=='__main__':a=np.array([1,2,3])b=np.array([6,5,4])sim=eculidDisSim(a,b)（2）余弦相似度：
import numpy as np
def cosSim(x,y):'''余弦相似度'''tmp=np.sum(x*y)non=np.linalg.norm(x)*np.linalg.norm(y)return np.round(tmp/float(non),9)if __name__=='__main__':a=np.array([1,2,3])b=np.array([6,5,4])sim=cosSim(a,b)（3）皮爾遜（pearsonr）相似度：
from scipy.stats import pearsonr
import numpy as np
def pearsonrSim(x,y):'''皮爾森相似度'''return pearsonr(x,y)[0]if __name__=='__main__':a=np.array([1,2,3])b=np.array([6,5,4])sim=pearsonrSim(a,b)（4）曼哈頓相似度：
import numpy as np
def manhattanDisSim(x,y):'''曼哈頓相似度'''return sum(abs(a-b) for a,b in zip(x,y))if __name__=='__main__':a=np.array([1,2,3])b=np.array([6,5,4])sim=manhattanDisSim(a,b)
、隊列( queue )和優先級隊列( priority_queue))
