sklearn.metrics.pairwise.manhattan_distances

sklearn.metrics.pairwise.manhattan_distances()

Calcula las distancias L1 entre los vectores en X y Y.

Con sum_over_features igual a False, devuelve las distancias por componentes.

Leer más en el Manual de Usuario.

Parámetros

Xarray-like de forma (n_samples_X, n_features)

Yarray-like de forma (n_samples_Y, n_features), default=None

sum_over_featuresbool, default=True

Si es True, la función devuelve la matriz de distancias por pares, si no, devuelve las distancias por pares L1 por componentes. No es soportado para las entradas de matrices dispersas.

Devuelve

Dndarray de forma (n_samples_X * n_samples_Y, n_features) o (n_samples_X, n_samples_Y)

Si sum_over_features es False, la forma es (n_samples_X * n_samples_Y, n_features) y D contiene las distancias por pares L1 por componentes (es decir, la diferencia absoluta), si no la forma es (n_samples_X, n_samples_Y) y D contiene las distancias L1 por pares.

Notas

Cuando X y/o Y son matrices dispersas CSR y no están ya en formato canónico, esta función las modifica in situ (in-place) para hacerlas canónicas.

Ejemplos

>>> from sklearn.metrics.pairwise import manhattan_distances
>>> manhattan_distances([[3]], [[3]])
array([[0.]])
>>> manhattan_distances([[3]], [[2]])
array([[1.]])
>>> manhattan_distances([[2]], [[3]])
array([[1.]])
>>> manhattan_distances([[1, 2], [3, 4]],         [[1, 2], [0, 3]])
array([[0., 2.],
       [4., 4.]])
>>> import numpy as np
>>> X = np.ones((1, 2))
>>> y = np.full((2, 2), 2.)
>>> manhattan_distances(X, y, sum_over_features=False)
array([[1., 1.],
       [1., 1.]])