任務描述

本關實現一個函數來計算歐幾里得距離。

相關知識

K-means 算法的核心思想是，將數據集中的樣本聚類為多個簇集，簇內樣本距離較近，簇間樣本距離較遠。由此可見，其最基本的運算是判斷樣本（如書籍、電影、用戶、汽車等）之間的距離（或者相似度）。

通常數據集中的樣本都可描述為一個 n 維向量X(x1?,x2?,?,xn?)。每一個維度代表樣本的一個屬性。比如，對于用戶 x 而言，其屬性可能是收入、年齡、工作時間等，對于電影而言，其屬性可能是出品年份、導演、風格等。本關卡學習歐幾里得度量。

歐幾里得度量（Euclidean metric）（也稱歐氏距離）是一個常用的距離定義，計算 n 維空間中，兩個樣本點之間的幾何距離。

兩個在 n 維空間的點X(x1?,x2?,?,xn?)和Y(y1?,y2?,?,yn?)的歐幾里得距離為：

EuclideanDist=i=1∑n?(xi??yi?)2?

編程要求

本關卡要求你實現函數 euclid_distance，在右側編輯器 Begin-End 區間補充代碼，需要填充的代碼塊如下：

1. # -*- coding: utf-8 -*-
2. import numpy as np
3. def euclid_distance(x1, x2):
4. """計算兩個點之間點歐式距離
5. 參數:
6. x1-numpy數組
7. x2-numpy數組
8. 返回值：
9. ret-浮點型數據
10. """
11. # 請在此添加實現代碼 #
12. ret = 0
13. #********** Begin *********#
15. #********** End ***********#
16. return ret

測試說明

平臺將對你的函數輸入兩個 Numpy 數組，計算歐式距離，比對函數 euclid_distance 的輸出結果與正確結果的差異，只有完全正確才能進入下一關。

代碼：

# -*- coding: utf-8 -*-
import numpy as np
def euclid_distance(x1, x2):"""計算歐幾里得距離參數:x1 - numpy數組x2 - numpy數組返回值：distance - 浮點數，歐幾里得距離"""distance = 0#   請在此添加實現代碼     ##********** Begin *********#import numpy as npdistance = np.sqrt(np.sum((x1-x2)**2))#********** End ***********#return distance