如何使用Python中的l2()函数计算两个向量之间的欧氏距离

在Python中，我们可以使用numpy库中的linalg.norm函数来计算两个向量之间的欧氏距离。以下是使用例子：

首先，我们需要导入numpy库：

import numpy as np

然后，我们可以定义两个向量：

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

接下来，我们可以使用numpy库中的linalg.norm函数来计算两个向量之间的欧氏距离：

distance = np.linalg.norm(a - b)

完整的代码如下：

import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

distance = np.linalg.norm(a - b)

print(distance)

运行上述代码，输出结果为：

5.196152422706632

这个结果表示向量a和向量b之间的欧氏距离为5.196。

需要注意的是，linalg.norm函数默认计算的是向量的L2范数（欧氏范数），所以我们可以直接调用该函数来计算欧氏距离。

另外，如果我们有多组向量需要计算欧氏距离，可以把它们放在一个二维数组中，每一行代表一个向量。比如：

vectors = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

distances = np.linalg.norm(vectors - a, axis=1)

上述代码中，我们计算了向量a与vectors中的每个向量之间的欧氏距离，并将结果存储在distances数组中。其中，axis=1表示按照每行计算欧氏距离。

希望以上的示例能够帮助你理解如何使用Python中的linalg.norm函数计算两个向量之间的欧氏距离。