机器学习---常见的距离公式（欧氏距离、曼哈顿距离、标准化欧式距离、余弦距离、杰卡德距离、马氏距离、切比雪夫距离、闵可夫斯基距离、K-L散度）

1. 欧氏距离

       欧几里得度量（euclidean metric）（也称欧氏距离）是一个通常采用的距离定义，指在m维空

间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。在二维和三维空间中

的欧氏距离就是两点之间的实际距离。

from scipy.spatial import distance
a = (1, 2, 3)
b = (4, 5, 6)

print(distance.euclidean(a, b))

2. 曼哈顿距离 

        图中红线代表曼哈顿距离，绿色代表欧氏距离，也就是直线距离，而蓝色和黄色代表等价的

曼哈顿距离。曼哈顿距离——两点在南北方向上的距离加上在东西方向上的距离，即d(i,j)=|xi-

xj|+|yi-yj|。对于一个具有正南正北、正东正西方向规则布局的城镇街道，从一点到达另一点的距离

正是在南北方向上旅行的距离加上在东西方向上旅行的距离，因此，曼哈顿距离又称为出租车距

离。曼哈顿距离不是距离不变量，当坐标轴变动时，点间的距离就会不同。曼哈顿距示意图在早期

的计算机图形学中，屏幕是由像素构成，是整数，点的坐标也一般是整数，原因是浮点运算很昂

贵，很慢而且有误差，如果直接使用AB的欧氏距离（欧几里德距离：在二维和三维空间中的欧氏

距离的就是两点之间的距离），则必须要进行浮点运算，如果使用AC和CB，则只要计算加减法即

可，这就大大提高了运算速度，而且不管累计运算多少次，都不会有误差。

import numpy as np
from scipy.spatial import distance

A = np.array([7,8,9])
B = np.array([4,5,6])

# 方式一：直接构造公式计算
dist1 = np.sum(np.abs(A-B))

# 方式二：内置线性代数函数计算
dist2 = np.linalg.norm(A-B,ord=1)  #ord为范数类型，取值1（一范数）,2（二范数）,np.inf（无穷范数）࿰