一文掌握机器学习十种常用距离度量方法详解

距离度量是机器学习中一个绕不开的基础话题——无论是监督学习还是无监督学习，从K近邻、支持向量机到K均值聚类，几乎所有算法都要依赖它来刻画样本之间的差异。选择什么样的距离度量，往往会直接影响模型的效果。因此，在动手之前，先搞清楚每种距离的原理、适用场景和局限性，比盲目套用默认值要靠谱得多。

本文就来系统地梳理一下十种常用的距离度量方法：它们怎么算、Python里怎么实现、适合处理什么类型的数据。顺便也把各自的坑点说明白，避免踩雷。在深入每种方法之前，先建立一个大致的框架。距离度量的本质，就是衡量两个对象在特征空间中的差异。差异越小，说明两个对象越相似。根据数据类型的差异，距离度量大致可以分为两类：几何距离和统计距离。前者适合实值向量、地理坐标这类数据；后者多用于二进制数据、集合、时间序列等特殊场景。

几何距离测量

1. 欧氏距离（Euclidean distance）

这是最直观、最常用的距离度量，表示两个实值向量之间的最短直线距离。由于计算简单且在很多场景下表现不错，它经常被当作默认选项。欧氏距离也叫L2范数，计算公式为：Python实现只需要一行：from scipy.spatial import distance; distance.euclidean(vector_1, vector_2)。不过要注意两个明显的问题：第一，维度一旦超过二维或三维，欧氏距离的直观性就会打折扣，而且在高维空间中容易失效（所谓的“维度灾难”）；第二，如果特征没有经过归一化或标准化，量纲差异会导致距离严重倾斜。

2. 曼哈顿距离（Manhattan distance）

也叫出租车距离或城市街区距离，它模拟的是只能在直角方向上移动的路径。这种度量尤其适合离散属性和二元属性，因为它能反映真实的路径长度。曼哈顿距离基于L1范数：Python调用：distance.cityblock(vector_1, vector_2)。它的缺陷也明显：不如欧氏距离直观，而且不关心最短路径——如果你要的是“最短距离”，曼哈顿距离可能并不满足需求。

3. 切比雪夫距离（Chebyshev distance）

也叫棋盘距离，它取的是向量在任意维度上的最大差值。一个典型应用是仓库物流：从一点到另一点所需的时间，往往由最长的那个轴上的移动决定。切比雪夫距离对应L-无穷范数：Python：distance.chebyshev(vector_1, vector_2)。它的使用场景非常特定，日常工作中并不常见。

4. 闵可夫斯基距离（Minkowski distance）

可以看作是前面三种距离的广义形式。通过调整参数p，它可以退化为曼哈顿距离（p=1）、欧氏距离（p=2）或切比雪夫距离（p→∞）。这种灵活性让它能适配更多场景，但同时也增加了调参成本。公式为：Python：distance.minkowski(vector_1, vector_2, p)。需要提醒的是，它继承了欧氏距离在高维空间和量纲依赖上的通病，而且寻找最优p值需要额外计算，可能影响效率。

5. 余弦相似度与余弦距离（Cosine similarity/distance）

余弦相似度衡量的是两个向量方向的接近程度，完全忽略它们的长度。因此，它特别适合高维稀疏数据，比如文本分析中的词频向量、推荐系统中的用户兴趣向量。余弦相似度取值范围是[-1, 1]，在正空间（如图像、文本）中通常落在[0, 1]之间。余弦距离 = 1 - 余弦相似度，取值[0, 1]。Python：distance.cosine(vector_1, vector_2)。主要缺点是只关注方向，不考虑幅值差异，当数值大小本身包含重要信息时，余弦距离可能会丢掉关键信息。

6. 半正矢距离（Haversine distance）

专门用来计算球面上两点之间的最短大圆距离。导航、地理信息系统里绕不开它，因为经纬度需要在球面曲率下处理。公式涉及地球半径r、经度φ和纬度λ：Python：from sklearn.metrics.pairwise import haversine_distances; haversine_distances([vector_1, vector_2])。它的局限性在于假设地球是完美球体，而实际是椭球，因此存在一定误差。

7. 汉明距离（Hamming distance）

用于比较两个等长二进制向量或字符串之间的差异。它逐元素比较，统计不同位置的个数，再平均得到[0,1]区间的距离。相同则为0，完全不同则为1。Python：distance.hamming(vector_1, vector_2)。两个限制：一是两个向量长度必须相等，二是它只反映差异的个数，不反映差异的程度。如果差异的大小很重要（比如信号强度），汉明距离就不合适。

统计距离测量

统计距离侧重于数据分布或集合的相似性，常用于假设检验、分类任务和异常检测。

8. 杰卡德指数与距离（Jaccard Index & Distance）

用来衡量两个样本集之间的重叠程度。它计算交集与并集的比值，范围[0,1]。在图像识别的模型评估中，常用Jaccard指数比较预测掩码与真实标注；在文本分析中，它也可以比较文档的单词集合。公式为：Python：distance.jaccard(vector_1, vector_2)。需要注意，数据集的规模对结果影响很大——样本量大的集合往往更容易匹配，这可能导致偏差。

9. Sorensen-Dice指数

和Jaccard类似，但计算方式略有不同，它直接给出重叠的百分比，因此有时更直观。常用于图像分割和文本相似度。公式：Python：distance.dice(vector_1, vector_2)。同样的，它对数据集规模也很敏感。

10. 动态时间规整（Dynamic Time Warping, DTW）

这是专门为时间序列设计的距离度量，可以处理长度不同、或者存在时间偏移（比如同一模式提前或延后）的序列。想象一下，两条形曲线完全一样，但一条比另一条晚了几个时间步——如果用欧氏距离逐点对齐，结果会非常大，但DTW通过允许一对多或多对一的映射找到最佳对齐路径，从而得到更合理的相似度。路径需要满足边界条件、单调性、连续性等约束。Python可以用fastdtw包：from fastdtw import fastdtw; distance, path = fastdtw(timeseries_1, timeseries_2, dist=euclidean)。DTW的主要缺点是计算量较大，尤其是长序列。

总结

以上就是十种常见距离度量的核心要点：怎么算、怎么用、有什么坑。实际工作中，没有一种度量是万能的。关键是理解数据的特性：是连续值还是离散值？是否有量纲差异？维度高不高？是否需要考虑方向？有没有时间偏移？——选对了距离，模型才不至于在第一步就走偏。如果你有其他常用的距离度量，也欢迎补充。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：一文掌握机器学习十种常用距离度量方法详解要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题