Scala 将欧几里德距离转换为曼哈顿距离

下面的计算在spark mlib库中给出，以找到欧氏距离

private[mllib] def fastSquaredDistance(
      v1: Vector,
      norm1: Double,
      v2: Vector,
      norm2: Double,
      precision: Double = 1e-6): Double = {
    val n = v1.size
    require(v2.size == n)
    require(norm1 >= 0.0 && norm2 >= 0.0)
    val sumSquaredNorm = norm1 * norm1 + norm2 * norm2
    val normDiff = norm1 - norm2
    var sqDist = 0.0

    val precisionBound1 = 2.0 * EPSILON * sumSquaredNorm / (normDiff * normDiff + EPSILON)
    if (precisionBound1 < precision) {
      sqDist = sumSquaredNorm - 2.0 * dot(v1, v2)
    } else if (v1.isInstanceOf[SparseVector] || v2.isInstanceOf[SparseVector]) {
      val dotValue = dot(v1, v2)
      sqDist = math.max(sumSquaredNorm - 2.0 * dotValue, 0.0)
      val precisionBound2 = EPSILON * (sumSquaredNorm + 2.0 * math.abs(dotValue)) /
        (sqDist + EPSILON)
      if (precisionBound2 > precision) {
        sqDist = Vectors.sqdist(v1, v2)
      }
    } else {
      sqDist = Vectors.sqdist(v1, v2)
    }
    sqDist
  }

private[mllib]def fastSquaredInstance(
v1：向量，
标准1：双倍，
v2：向量，
第二条：双倍，
精度：双精度=1e-6）：双精度={
val n=v1.1大小
需要（v2.size==n）
需要（norm1>=0.0&&norm2>=0.0）
val sumSquaredNorm=norm1*norm1+norm2*norm2
val normDiff=norm1-norm2
var sqDist=0.0
val precisionBound1=2.0*EPSILON*sumSquaredNorm/（normDiff*normDiff+EPSILON）
if（精度边界1<精度）{
sqDist=sumSquaredNorm-2.0*点（v1，v2）
}else if（v1.isInstanceOf[SparseVector]| | v2.isInstanceOf[SparseVector]）{
val dotValue=点（v1，v2）
sqDist=math.max（sumSquaredNorm-2.0*dotValue，0.0）
val precisionBound2=EPSILON*（sumSquaredNorm+2.0*math.abs（dotValue））/
（sqDist+EPSILON）
if（精度边界2>精度）{
sqDist=Vectors.sqDist（v1，v2）
}
}否则{
sqDist=Vectors.sqDist（v1，v2）
}
sqDist
}

---

我对机器学习非常陌生。我的问题是如何通过修改上述代码来找到曼哈顿距离。

在没有任何附加上下文的情况下，我建议以明显的天真方式实现L1距离：

d_manhatten(u,v) = sum( abs(u[i] - v[i]), i)     // Pseudocode

现在，我没有太多地看你的代码，但它看起来像是（1）关注精度（与L2相比，这对L1来说不是什么问题，因为没有平方）和（2）使用L2规范作为输入（据我所知，这在计算L1时没有用）。因此，修改当前方法可能没有多大用处

---

另外，我经常听说过早优化是万恶之源，所以请先尝试最简单的事情，如果这是不可接受的，然后尝试模糊优化：）

如果没有任何额外的上下文，我建议以明显的天真方式实现L1距离：

d_manhatten(u,v) = sum( abs(u[i] - v[i]), i)     // Pseudocode

现在，我没有太多地看你的代码，但它看起来像是（1）关注精度（与L2相比，这对L1来说不是什么问题，因为没有平方）和（2）使用L2规范作为输入（据我所知，这在计算L1时没有用）。因此，修改当前方法可能没有多大用处

---

另外，我经常听说过早优化是万恶之源，所以请先尝试最简单的方法，如果不可接受，请尝试模糊优化：）

曼哈顿距离只是向量的减法（带有一些外部abs）。您不应该修改上面的代码。曼哈顿距离只是向量的减法（有一些外部的abs）。您不应该修改上面的代码。