常见距离计算公式

在数据分析、机器学习和模式识别中，衡量数据点之间的距离或相似度是一项核心任务。以下详细解析欧氏距离、余弦相似度、曼哈顿距离、切比雪夫距离和汉明距离这五种重要的度量方法。

1. 欧氏距离 (Euclidean Distance)

• 概念： 欧氏距离是我们在数学几何中最常接触的距离概念，指的是多维空间中两点之间 最短的直线距离。
• 用途： 它是最常用的一种距离度量，特别适用于那些 各维度量纲一致 且希望 距离与坐标值大小 严格相关的场景。
• 公式 (在 $n$ 维空间中，点 $A(x_1, x_2, \dots, x_n)$ 和点 $B(y_1, y_2, \dots, y_n)$ 之间)：

$$d(A, B) = \sqrt{\sum_{i=1}^{n} (x_i - y_i)^2}$$

• 特点：
  • 距离受 绝对数值 的影响。
  • 在 $n=2$ 时，即为平面直角坐标系中的两点距离公式。
  • 它是闵可夫斯基距离 ($L_p$ 范数) 在 $p=2$ 时的特例。

2. 余弦相似度 (Cosine Similarity)

• 概念： 余弦相似度衡量的是多维空间中两个向量之间的 夹角 的余弦值。它关注的是两个向量在 方向上的一致性，而非其绝对距离或长度。
• 用途： 广泛应用于文本相似度计算（将文本转换为词向量）、推荐系统等场景。特别适用于向量的 长度（模）不重要，而 方向（模式）更重要 的场合。
• 公式 (在 $n$ 维空间中，向量 $\mathbf{A}$ 和 $\mathbf{B}$ 之间)：

$$\text{Similarity}(\mathbf{A}, \mathbf{B}) = \cos(\theta) = \frac{\mathbf{A} \cdot \mathbf{B}}{||\mathbf{A}|| \cdot ||\mathbf{B}||} = \frac{\sum_{i=1}^{n} x_i y_i}{\sqrt{\sum_{i=1}^{n} x_i^2} \sqrt{\sum_{i=1}^{n} y_i^2}}$$

• 特点：
  • 结果范围在 $[-1, 1]$ 之间。
    • $1$ 表示完全相同（夹角 $0^\circ$）。
    • $0$ 表示正交/不相关（夹角 $90^\circ$）。
    • $-1$ 表示完全相反（夹角 $180^\circ$）。
  • 对向量的长度不敏感。例如，向量 $(1, 1)$ 和 $(100, 100)$ 的欧氏距离很大，但它们的余弦相似度为 $1$。

3. 曼哈顿距离 (Manhattan Distance)

• 概念： 曼哈顿距离，又称 城市街区距离 (City Block Distance) 或 $L_1$ 范数。它指的是在网格状路径中，两点之间沿着坐标轴方向移动的距离总和。想象一下在曼哈顿的街道上，你只能沿着横向或纵向移动。
• 用途： 在不允许斜向移动的网格或棋盘问题中很常见。相比欧氏距离，它对异常值（Outliers）的 鲁棒性更强。
• 公式 (在 $n$ 维空间中，点 $A(x_1, \dots, x_n)$ 和点 $B(y_1, \dots, y_n)$ 之间)：

$$d(A, B) = \sum_{i=1}^{n} |x_i - y_i|$$

• 特点：
  • 距离只计算各个维度差的 绝对值之和。
  • 它是闵可夫斯基距离 ($L_p$ 范数) 在 $p=1$ 时的特例。

4. 切比雪夫距离 (Chebyshev Distance)

• 概念： 切比雪夫距离，又称 $L_{\infty}$ 范数，指的是两点在各个坐标维度上的 差值的最大绝对值。
• 用途： 常用于国际象棋等场景（例如，王从一个格子走到另一个格子所需的最少步数）。在需要确保所有维度的误差都控制在某个最大值内时很有用。
• 公式 (在 $n$ 维空间中，点 $A(x_1, \dots, x_n)$ 和点 $B(y_1, \dots, y_n)$ 之间)：

$$d(A, B) = \max_{i=1}^{n} (|x_i - y_i|)$$

• 特点：
  • It 只受 差异最大的那个维度 的影响。
  • 它是闵可夫斯基距离 ($L_p$ 范数) 在 $p \rightarrow \infty$ 时的极限形式。

5. 汉明距离 (Hamming Distance)

• 概念： 汉明距离用于衡量两个 等长 的 字符串 或 二进制序列（通常是编码后的数据）之间 不同位 (bit) 的数量。
• 用途： 主要用于 错误检测与纠正 编码领域（例如，判断数据传输中发生了多少位错误）。它本质上是计算两个向量 异或 (XOR) 结果中 $1$ 的个数。
• 公式 (对于等长字符串/序列 $A$ 和 $B$)：

$$d(A, B) = \sum_{i=1}^{n} (x_i \ne y_i)$$

（其中 $x_i$ 和 $y_i$ 是序列 $A$ 和 $B$ 在第 $i$ 个位置上的元素，$n$ 是序列长度。）

• 特点：
  • 仅适用于等长序列。
  • 通常用于离散数据（如二进制、字符），而不是连续的浮点数向量。

---

6. 总结与比较

度量方式	关注点	数据类型	几何意义	鲁棒性/敏感度
欧氏距离 ($L_2$)	绝对差异；最短直线距离	连续/离散	直线距离	对异常值敏感
余弦相似度	方向一致性；夹角	连续/离散 (向量)	向量夹角余弦	对向量长度不敏感
曼哈顿距离 ($L_1$)	绝对差异之和；轴向移动	连续/离散	”城市街区” 距离	对异常值有较好的鲁棒性
切比雪夫距离 ($L_{\infty}$)	维度上的最大差异	连续/离散	最大维度差	只关注最差的那个维度
汉明距离	不同位数/位置的数量	离散/类别 (等长序列)	错误位数	专用于序列比较