我在尝试按照一个关于k-Nearest Neighbors的例子进行学习，但我对numpy命令的语法不太确定。我应该进行矩阵级别的距离计算，提供的代码是
def classify(inputVector, trainingData,labels,k): dataSetSize=trainingData.shape[0] diffMat=tile(inputVector,(dataSetSize,1))-trainingData sqDiffMat = diffMat**2 sqDistances = sqDiffMat.sum(axis=1) distances = sqDistances**0.5 sortedDistIndicies = distances.argsort() for i in range(k): voteIlabel = labels[sortedDistIndicies[i]] classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1 sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True) return sortedClassCount[0][0]def createDataSet(): group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) labels = ['A','A','B','B'] return group, labels我的问题是sqDistances**0.5如何等同于距离方程((A[0]-B[0])+(A[1]-B[1]))^1/2？我不明白tile是如何影响它的，特别是矩阵是如何从(datasetsize,1)-训练数据中生成的。
回答：
我希望下面的解释能帮助你理解其工作原理。
Numpy tile : https://docs.scipy.org/doc/numpy/reference/generated/numpy.tile.html
使用这个函数，你可以从输入向量创建一个与训练数据形状相同的矩阵。从这个矩阵中减去训练数据，你会得到你提到的部分，例如test[0]-train[0]，即元素级别的差异。
然后，你通过使用diffMat**2对每个得到的元素进行平方运算，并沿axis = 1求和（https://docs.scipy.org/doc/numpy/reference/generated/numpy.sum.html）。这会产生类似(test[0] - train[0])^2 + (test[1] - train[1])^2的方程。
接下来，通过sqDistances**0.5，它将给出欧几里得距离。
要计算欧几里得距离，这可能会有帮助https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.euclidean.html#scipy.spatial.distance.euclidean
