nan_euclidean_distances

sklearn.metrics.pairwise.nan_euclidean_distances(X, Y=None, *, squared=False, missing_values=nan, copy=True)[исходный код]

Вычисляет евклидовы расстояния при наличии пропущенных значений.

Вычисляет евклидово расстояние между каждой парой образцов в X и Y; если Y=None, предполагается, что Y=X. При вычислении расстояния между парой образцов эта формула игнорирует координаты признаков с пропущенными значениями в любом из образцов и увеличивает вес оставшихся координат:

dist(x,y) = sqrt(weight * sq. distance from present coordinates)

где:

weight = Total # of coordinates / # of present coordinates

Например, расстояние между [3, na, na, 6] и [1, na, 4, 5] равно:

\[\sqrt{\frac{4}{2}((3-1)^2 + (6-5)^2)}\]

Если все координаты пропущены или нет ни одной общей присутствующей координаты, для этой пары возвращается NaN.

Подробнее см. в Руководстве пользователя.

Добавлено в версии 0.22.

Параметры:

Xarray-like of shape (n_samples_X, n_features)

Массив, в котором каждая строка представляет собой образец, а каждый столбец — признак.

Yarray-like of shape (n_samples_Y, n_features), default=None

Массив, в котором каждая строка представляет собой образец, а каждый столбец — признак. Если None, метод использует Y=X.

squaredbool, default=False

Возвращать квадраты евклидовых расстояний.

missing_valuesnp.nan, float or int, default=np.nan

Представление пропущенного значения.

copybool, default=True

Создать и использовать глубокую копию X и Y (если Y существует).

Возвращает:

distancesndarray of shape (n_samples_X, n_samples_Y)

Возвращает расстояния между векторами-строками X и векторами-строками Y.

См. также

paired_distances

Расстояния между парами элементов X и Y.

Источники

• John K. Dixon, «Распознавание образов при частично отсутствующих данных», IEEE Transactions on Systems, Man, and Cybernetics, Volume: 9, Issue: 10, pp. 617 - 621, Oct. 1979. http://ieeexplore.ieee.org/abstract/document/4310090/

Примеры

>>> from sklearn.metrics.pairwise import nan_euclidean_distances
>>> nan = float("NaN")
>>> X = [[0, 1], [1, nan]]
>>> nan_euclidean_distances(X, X) # distance between rows of X
array([[0.        , 1.41421356],
       [1.41421356, 0.        ]])

>>> # get distance to origin
>>> nan_euclidean_distances(X, [[0, 0]])
array([[1.        ],
       [1.41421356]])