老码农眼中的“距离”
【引】回忆与一个AI 产品经理的对话，否则就可能真的忘记了......
我们经常需要判断两个数据点之间的“相似程度”——比如给用户推荐喜欢的商品，要先找到和他兴趣相近的用户；做异常检测，要找出和正常数据差异大的异常值；聚类分析时，要把相似的数据归为一类。而衡量这种“相似”或“差异”的核心工具，就是距离指标。
简单来说，距离指标就像我们生活中用尺子量长度一样，只不过它量的不是物理空间的长度，而是数据之间的“差异度”。距离越近，说明两个数据越相似；距离越远，差异就越大。在这里， 老码农就尝试用最朴素的语言，讲清楚机器学习中最常用的9个距离指标，包括它们的含义、公式、简单示例，以及实际应用场景，哪怕是刚接触机器学习的朋友，也能轻松看懂。
一、欧几里得距离，最直观的“直线距离”
欧几里得距离应该是我们最熟悉的距离指标，它的本质就是我们在初中几何里学的“两点之间直线距离”，也是生活中最直观的距离概念。比如从家到公司，走直线的距离就是欧几里得距离，只不过在机器学习里，这个“点”不再局限于二维平面，还可以是三维、四维甚至更高维度的特征数据。
它的计算逻辑很简单：把两个数据点在每个维度上的差值平方，加起来之后再开平方，得到的结果就是两者的欧几里得距离。
公式：√[（x₁ − x₂）² + （y₁ − y₂）²]（如果是更高维度，就继续往后加，比如三维就是再加（z₁-z₂）²）
示例：假设我们有两个二维数据点，分别是（1,2）和（4,6），按照公式计算，先算每个维度的差值：x维度差是4-1=3，y维度差是6-2=4；然后把差值平方，得到9和16；加起来是25，再开平方就是5。所以这两个点的欧几里得距离就是5。
适用场景：欧几里得距离最适合用于特征是数字，且所有特征处于同一尺度的场景。比如在KNN（K近邻算法）中，判断一个数据点的类别时，就会用欧几里得距离找它最近的K个邻居；K均值聚类中，也常用它来衡量数据点和聚类中心的距离。需要注意的是，如果特征尺度不一样（比如一个特征是身高，单位是厘米，另一个是体重，单位是公斤），直接用欧几里得距离会有偏差，需要先做数据归一化。
二、余弦距离，不看“长短”，只看“方向”
和欧几里得距离不同，余弦距离不关心两个数据点的“绝对长度”，只关心它们的“方向差异”。举个生活中的例子，两个人评价一部电影，一个人打了8分、7分，另一个人打了4分、3.5分，虽然分数高低不一样，但他们的评价方向是一致的，余弦距离就会认为这两个人的喜好很相似。
在机器学习里，我们通常把数据转换成向量，余弦距离就是通过计算两个向量之间的夹角来衡量差异，夹角越小，距离越近，相似度越高。它的公式是用1减去两个向量的余弦相似度，这样距离越近，数值就越小，和其他距离指标的逻辑保持一致。
公式：1 − （A · B） / （||A||||B||）（其中A·B是两个向量的点积，||A||和||B||分别是两个向量的模长）
示例：假设向量A是（1,0），向量B是（0,1），先算点积：1×0 + 0×1 = 0；再算模长，两个向量的模长都是√（1²+0²）=1；代入公式就是1 - 0/(1×1) = 1，说明这两个向量方向完全相反，差异最大。如果两个向量是（1,2）和（2,4），点积是1×2 + 2×4=10，模长分别是√5和√20，计算后余弦相似度是1，余弦距离就是0，说明两个向量方向完全相同，相似度极高。
适用场景：余弦距离最适合用于衡量“内容相似度”，和数据的绝对数值无关。比如自然语言处理中，判断两篇文章的主题是否相似，会把文章转换成词向量，再用余弦距离计算；推荐系统中，基于用户的行为偏好向量，判断用户兴趣相似度；还有图像识别中的特征嵌入，也常用余弦距离来衡量特征的相似性。
三、汉明距离，数“不同”的个数就够了
汉明距离是一种很简单的距离指标，它的核心就是“数差异”——统计两个等长的字符串或向量中，对应位置上数值不同的个数，个数越多，距离越远。它的应用场景主要集中在离散数据，尤其是二进制数据的比较。
公式：统计两个数据对应位置上x≠y的数量，数量就是汉明距离
示例：比如两个二进制字符串10101和10011，我们逐位对比：第一位都是1，相同；第二位都是0，相同；第三位一个是1，一个是0，不同；第四位一个是0，一个是1，不同；第五位都是1，相同。总共2个位置不同，所以汉明距离就是2。再比如两个字符串“abcde”和“abxde”，对比后发现第四位不同，汉明距离就是1。
适用场景：汉明距离主要用于二进制特征的比较，比如图像处理中的哈希值比较，判断两张图片是否相似；数据传输中的错误检测，统计传输前后数据的差异，判断是否出现传输错误；还有推荐系统中，用户的二进制行为特征（比如是否点击、是否购买）的比较，也会用到汉明距离。
四、曼哈顿距离，像走城市街区一样的距离
曼哈顿距离也叫“城市街区距离”，这个名字很形象——就像我们在城市里走路，不能走直线，只能沿着街道水平或垂直移动，从一个路口到另一个路口的距离，就是曼哈顿距离。它的计算方式是把两个数据点在每个维度上的差值绝对值相加。
公式：|x₁ − x₂| + |y₁ − y₂|（更高维度同理，依次加每个维度差值的绝对值）
示例：还是用之前的两个点（1,2）和（4,6），计算曼哈顿距离的话，先算x维度差值的绝对值|4-1|=3，y维度差值的绝对值|6-2|=4，加起来就是7，所以曼哈顿距离是7，比欧几里得距离的5要大，这也符合我们在城市里走路比走直线远的常识。
适用场景：曼哈顿距离适合用于“基于网格”的场景，比如地图导航中，计算车辆在城市道路上的行驶距离；路径规划问题中，机器人在网格状的环境中移动，衡量其移动的距离；还有一些离散数据的聚类问题，尤其是特征维度的差异需要独立计算的场景，也会用到曼哈顿距离。
五、闵可夫斯基距离，欧几里得和曼哈顿的“通用版”
闵可夫斯基距离不是一种具体的距离，而是一个“通用公式”，它把欧几里得距离、曼哈顿距离都包含在内，通过调整一个参数p，就能切换成不同的距离计算方式，灵活性很高。
公式：（Σ|xi − yi|^p）^(1/p)（其中p是一个参数，取值为正数，Σ表示对所有维度的差值绝对值的p次方求和）
示例：当p=1时，公式就变成了Σ|xi − yi|，也就是曼哈顿距离；当p=2时，公式变成√Σ|xi − yi|²，也就是欧几里得距离；当p取无穷大时，闵可夫斯基距离就变成了切比雪夫距离（后面我们会讲到）。比如还是用（1,2）和（4,6）这两个点，p=1时距离是7，p=2时距离是5，p=3时，计算就是（3³+4³）^(1/3)=（27+64）^(1/3)=91^(1/3)≈4.497。
适用场景：闵可夫斯基距离适合用于需要灵活控制距离计算方式的场景。比如在聚类分析中，如果我们不确定用欧几里得还是曼哈顿距离更合适，就可以通过调整p的值，找到最适合当前数据的距离计算方式；在一些需要自定义距离权重的场景中，也可以通过调整p，突出不同维度的差异影响。
六、雅卡尔距离，衡量两个集合的“重叠度”
雅卡尔距离主要用于衡量两个集合之间的差异，它的核心是看两个集合的重叠程度——重叠的元素越多，距离越近，相似度越高。和余弦距离类似，它也是用1减去雅卡尔相似度得到的。
公式：1 − |A ∩ B| / |A ∪ B|（其中|A ∩ B|是两个集合的交集元素个数，|A ∪ B|是并集元素个数）
示例：假设集合A={1,2,3}，集合B={2,3,4}，先算交集，两个集合都有的元素是2和3，交集个数是2；再算并集，把两个集合的元素合并，去掉重复的，得到{1,2,3,4}，并集个数是4；代入公式就是1 - 2/4 = 0.5，所以雅卡尔距离是0.5。如果两个集合完全相同，比如A={a,b,c}，B={a,b,c}，交集和并集个数都是3，距离就是0；如果两个集合没有交集，距离就是1。
适用场景：雅卡尔距离适合用于集合数据的比较，比如推荐系统中，比较两个用户的兴趣标签集合，判断用户兴趣的相似度；社交网络中，比较两个用户的好友列表，衡量社交关系的重叠度；还有文本分析中，比较两篇文章的关键词集合，判断主题相似度。
七、切比雪夫距离，只看“最大差异”