如何使用manhattan_distances()函数计算多个向量之间的曼哈顿距离

manhattan_distances() 函数是 Scikit-learn 库中的一个函数，它可以计算多个向量之间的曼哈顿距离。该函数广泛应用于机器学习和数据分析领域，用于度量不同向量之间的距离。

**函数语法:**

manhattan_distances(X, Y=None, sum_over_features=True)

- X：一个n×m的数组，其中包含n个m维向量。如果只传入一个数组时，函数会返回这些向量之间的距离矩阵，矩阵的形状为 n×n。

- Y：一个数组，形状为 m 或 n×m。如果未提供此参数，则函数默认将 Y 设置为 X，即计算 X 中向量之间的距离矩阵。

- sum_over_features：一个布尔值，指定是否对距离进行求和。默认为 True，即对距离矩阵的每个元素进行求和，得到向量之间的总距离。

以下是一个使用 manhattan_distances() 函数计算多个向量之间曼哈顿距离的例子：

from sklearn.metrics.pairwise import manhattan_distances

# 定义多个向量
vectors = [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]

# 计算向量之间的曼哈顿距离
distance_matrix = manhattan_distances(vectors)

print(distance_matrix)

上述代码中，我们使用了 manhattan_distances() 函数计算了向量之间的曼哈顿距离，向量由一个 4x3 的矩阵表示。程序会输出一个 4x4 的距离矩阵，矩阵的每个元素代表对应两个向量之间的曼哈顿距离。

**输出示例:**

[[ 0.  9. 18. 27.]
 [ 9.  0.  9. 18.]
 [18.  9.  0.  9.]
 [27. 18.  9.  0.]]

距离矩阵中的对角线元素都是 0，因为每个向量与自身之间的曼哈顿距离为 0。对于其他位置的元素，表示对应两个向量之间的曼哈顿距离。

总结来说，我们可以使用 manhattan_distances() 函数计算多个向量之间的曼哈顿距离。通过确定向量的初始矩阵，并将其传递给函数，我们可以获得向量之间的距离矩阵。