欧氏曼哈顿余弦三大距离对比

可视化演示

距离度量直觉：三问定方向

走进这座横平竖直的棋盘格城市，先别急着出发，你得想清楚自己到底要问什么：朋友家直线距离多远——这该问直升机；出租车沿街道要开多久——这该问司机；朋友家在哪个方向、跟不跟我同路——这该掏指南针。三个问题答案不同，但都是“度量”。机器学习里，数据也住在这样的空间里：每个样本是一个点，每个特征是一条坐标轴。一个用户，年龄是横轴，每月消费是纵轴，注册时长是竖轴——他就稳稳地坐在某个坐标上，两个用户之间的距离，就是他们“有多像”的答案。

“距离度量”就是回答“两个点像不像、有多像”的尺子。尺子不是随便造的，任何合格的度量都得守三条规矩，数学家叫它“度量公理”：距离不能是负数；从 A 到 B 和从 B 到 A 一样远；抄近道不会比绕路更远。这三条保证尺子不闹脾气、不偏袒。

守规矩的尺子才能放心用。接下去三节，我们分别坐直升机、打出租车、掏指南针，把三把尺子的刻度看个清清楚楚。

欧氏距离：直升机的直线飞行

你叫来直升机，机长说得干脆：“两点之间，直线最短。”这就是欧氏距离的直觉——不绕路，笔直飞。它是我们从小最熟悉的“距离”：从家到学校的路、操场对角线的长度，都是勾股定理在二维平面上的样子。机器学习里，欧氏距离是默认选项，出场率最高的一把尺子。

把勾股定理推广到高维：两个点各有 n 个坐标，先算每个维度上的差距，再把差距平方、求和、开根号。为什么平方？因为差距有正有负，平方后统统变成正贡献，而且大的差距会被放大，让“差异大”的维度更显眼。为什么开根号？把平方造成的膨胀拉回来，让结果还原成“长度”的单位，而不是“面积的平方根”。

直升机飞得最直，但城市里到处是大楼，直线常常穿墙而过。遇到量纲混乱、稀疏高维的数据，这条直线就不那么可信了——该考虑换尺子了。

曼哈顿距离：出租车的格子街道

直升机的直线可能穿过大楼，出租车却只能沿着横平竖直的街道走：先直行，再拐弯，画出一个直角折线。这种“沿坐标轴走的路线长度”就是曼哈顿距离，名字来自纽约曼哈顿区——那里的街道就是棋盘格，出租车无法斜穿街区，只能老老实实拐弯。

数学上，曼哈顿距离把每个维度的差的绝对值直接相加，不需要平方，也不需要开根号。没有平方，意味着某个维度上特别夸张的差异不会被放大成十倍百倍——这正是它对离群点更鲁棒的原因。数据里偶尔蹦出几个“极端用户”（比如某天消费突然放大一百倍），用欧氏会被这个大数带偏，用曼哈顿则稳定得多。

出租车没有直升机快，却不会被“直线穿楼”欺骗。当数据里充满噪声和异常值时，走街的尺子往往比贴身直飞的尺子更稳。

余弦相似度：指南针的方向感

第三位朋友住在城郊，离你 1 公里还是 10 公里，其实你都不在乎——你只想知道他家在不在你打算去的方向上。这时掏出指南针：只要方向都是东北，两人就算“同路”。这就是余弦相似度的直觉：不看远近，只看方向。

数学上，把两个样本想象成从原点射出的两条箭头（向量），箭头越长代表整体数值越大。余弦相似度就是两条箭头夹角的余弦：夹角 0° 时余弦为 1，方向完全相同；90° 时余弦为 0，垂直、无关；180° 时余弦为 -1，完全相反。它天生忽略长度——一个向量是另一个的 10 倍，只要方向一样，相似度照样满格。

指南针永远指向方向而非距离。在词向量、推荐系统的高维世界里，方向往往比远近更有意义。

度量选择：给数据选对尺子

体温计量不了身高，卷尺量不了角度。尺子必须配数据。三把尺子各有脾气，选错的结果是：KNN 找到的“最近邻居”根本不是同类，聚类聚出一锅乱炖。所以拿到数据，第一步不是跑模型，而是先看数据长什么样，再决定用哪把尺子。

三条经验法则：连续稠密的数值特征（身高、房价、温度），量的是真实差距，用欧氏；高维稀疏的向量（文本 TF-IDF、one-hot 编码），量的是方向，用余弦；特征里常有离群点（异常交易、极端消费），别让大数带偏，用曼哈顿。多数场景下，“欧氏 + 归一化”是稳妥的起点。

说到归一化，它是欧氏距离绕不开的前提：量纲不同（年龄几十岁 vs 收入几万元），收入会全面主导距离，年龄白算。最常用的方法是 min-max 归一化，把每个特征压到 [0, 1] 区间：

先给特征统一刻度，再选合适的尺子，量出来的“相似”才算数。尺子配对了，后面一切模型才有意义。

算法实战：选对尺子才能找到邻居

你来到新城市，想知道自己属于哪个片区。最靠谱的办法：问最近的 K 位朋友住在哪，看哪边人多就跟哪边走。这就是 KNN 的核心思想——用距离找邻居，让邻居投票。可问题是：“最近”靠什么定义？靠的就是距离度量。

KNN 里，换一把尺子，最近邻居名单就可能整个换掉：某些样本按欧氏看数值很近，按余弦看方向却很远。K-means 聚类同理——它把每个点分给最近的簇中心，距离定义变了，聚类形状就变了。推荐系统也靠“相似用户”“相似物品”找关联，背后大多站着余弦或经过归一化的欧氏。所以调优时把“度量”当作超参数去试，是常规操作。

距离尺子决定了你的“朋友圈”是谁，进而决定模型猜得准不准。多换几把尺子对比，往往比盲目调参更见效。

AI 应用场景

Python 演示

import math def euclidean(p, q):    return math.sqrt(sum((a - b) ** 2 for a, b in zip(p, q))) def manhattan(p, q):    return sum(abs(a - b) for a, b in zip(p, q)) def cosine_similarity(p, q):    dot = sum(a * b for a, b in zip(p, q))    np_ = math.sqrt(sum(a * a for a in p))    nq = math.sqrt(sum(b * b for b in q))    if np_ == 0 or nq == 0:        return 0.0    return dot / (np_ * nq) def knn_predict(X, y, x, k=3, metric="euclidean"):    dists = []    for xi, yi in zip(X, y):        if metric == "euclidean":            d = euclidean(x, xi)        elif metric == "manhattan":            d = manhattan(x, xi)        elif metric == "cosine":            d = 1 - cosine_similarity(x, xi)        else:            raise ValueError("unknown metric")        dists.append((d, yi))    dists.sort(key=lambda t: t[0])    votes = {}    for _, yi in dists[:k]:        votes[yi] = votes.get(yi, 0) + 1    return max(votes, key=votes.get) if __name__ == "__main__":    X = [[1, 2], [2, 3], [8, 8], [9, 9]]    y = ["A", "A", "B", "B"]    x = [3, 4]    print("欧氏距离预测:", knn_predict(X, y, x, k=3, metric="euclidean"))    print("曼哈顿距离预测:", knn_predict(X, y, x, k=3, metric="manhattan"))    print("余弦相似度预测:", knn_predict(X, y, x, k=3, metric="cosine"))

1. return math.sqrt(sum((a - b) ** 2 for a, b in zip(p, q)))欧氏距离核心：逐维差平方求和再开根，对应直升机直线飞行。
2. return sum(abs(a - b) for a, b in zip(p, q))曼哈顿核心：逐维绝对差直接相加，没有平方放大，对应出租车折线路程。
3. dot = sum(a * b for a, b in zip(p, q))余弦分子：点积衡量两向量同向分量。
4. return dot / (np_ * nq)余弦相似度：点积除以两向量模长，长度差异被消掉，只剩方向。
5. d = 1 - cosine_similarity(x, xi)相似度越大越像，转成 1 减相似度才符合“距离越小越近”的排序习惯。
6. dists.sort(key=lambda t: t[0])按距离升序排序，最近的 K 个邻居排在列表最前面。
7. votes[yi] = votes.get(yi, 0) + 1邻居投票：字典计数，每个邻居给它的类别投一票。
8. return max(votes, key=votes.get)取票数最多的类别作为 KNN 预测结果。

常见误区

面试题