metrics.pairwise.manhattan_distances?
sklearn.metrics.pairwise.manhattan_distances(X, Y=None, *, sum_over_features=True)
計算X和Y中向量之間的L1距離。
在sum_over_features等于False的情況下，它返回組件方向的距離。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| X | array_like 具有形狀（n_samples_X，n_features）的數組。 |
| Y | array_like, optional 具有形狀（n_samples_Y，n_features）的數組。 |
| sum_over_features | bool, default=True 如果為True，則函數返回成對距離矩陣，否則返回分量成對L1成對距離。不支持稀疏矩陣輸入。 |
| 返回值 | 說明 |
|---|---|
| D | array 如果sum_over_features為False，則形狀為（n_samples_X * n_samples_Y，n_features），并且D包含按分量的L1成對距離（即，絕對差），否則形狀為（n_samples_X，n_samples_Y），并且D包含成對的L1距離。 |
注
當X和/或Y是CSR稀疏矩陣并且它們尚未采用規范格式時，此函數就地對其進行修改以使其規范。
示例
>>> 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.]])