欧式距离，曼哈顿距离，马氏距离和切比雪夫距离

一·欧式距离

也称为直线距离或L2距离。
计算两点之间的直线距离，即两点之间的最短距离。
二维空间中两点P1(x1, y1)和P2(x2, y2)之间的欧氏距离是：sqrt((x1 - x2)^2 + (y1 - y2)^2)
欧氏距离通常用于测量点之间的直线距离，如在空间几何中计算点到点之间的距离。

如点 x = (x1,...,xn) 和 y = (y1,...,yn) 之间的距离为：

二·曼哈顿距离

也称为城市街区距离或L1距离。
计算两点之间沿着坐标轴的距离总和，即在水平和垂直方向上的距离总和。
二维空间中两点P1(x1, y1)和P2(x2, y2)之间的曼哈顿距离是：|x1 - x2| + |y1 - y2|
曼哈顿距离通常用于计算城市道路网格中两点之间的实际行驶距离，或在特征空间中计算特征之间的距离。

通俗来讲，想象你在曼哈顿要从一个十字路口开车到另外一个十字路口，驾驶距离是两点间的直线距离吗？显然不是，除非你能穿越大楼。而实际驾驶距离就是这个“曼哈顿距离”，此即曼哈顿距离名称的来源，同时，曼哈顿距离也称为城市街区距离(CityBlock distance)。

(1)二维平面两点a(x1,y1)与b(x2,y2)间的曼哈顿距离

(2)两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的曼哈顿距离

                        

三·马氏距离

马氏距离（Mahalanobis Distance）是由马哈拉诺比斯（P. C. Mahalanobis）提出的，表示数据的协方差距离。马氏距离(Mahalanobis Distance)是一种距离的度量，可以看作是欧氏距离的一种修正，修正了欧式距离中各个维度尺度不一致且相关的问题。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是它考虑到各种特性之间的联系（例如：一条关于身高的信息会带来一条关于体重的信息，因为两者是有关联的）并且是尺度无关的（scale-invariant），即独立于测量尺度。

        对于一个均值为，协方差矩阵为Σ的多变量矢量，其马氏距离（单个数据点的马氏距离）为：

        

       马氏距离也可以定义为两个服从同一分布并且其协方差矩阵为Σ的随机变量X与Y的差异程度，数据点x, y之间的马氏距离：

        

        其中Σ是多维随机变量的协方差矩阵，μ为样本均值，如果协方差矩阵是单位向量，也就是各维度独立同分布，马氏距离就变成了欧氏距离。如果协方差矩阵为对角阵，其也可称为正规化的马氏距离。

        

        其中σi是xi的标准差。

四·切比雪夫距离

在数学中，切比雪夫距离（Chebyshev distance）或是L∞度量，是向量空间中的一种度量，二个点之间的距离定义是其各坐标数值差绝对值的最大值。以数学的观点来看，切比雪夫距离是由一致范数（uniform norm）（或称为上确界范数）所衍生的度量，也是超凸度量（injective metric space）的一种。。

Dis（A,B）=max(|XA−XB|,|YA−YB|)

Dis（A,B）=max(|XA−XB|,|YA−YB|)