欧几里得、曼哈顿、和切比雪夫距离公式图片详解

最新推荐文章于 2026-05-07 15:46:06 发布

原创最新推荐文章于 2026-05-07 15:46:06 发布 · 4k 阅读

7 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#聚类算法 #概率论

收录于

本文详细介绍了三种常见的距离计算方法：欧几里得距离、曼哈顿距离和切比雪夫距离。通过具体的数学公式和直观的图形解释，帮助读者理解不同场景下选择合适距离计算方式的重要性。

1. 欧几里得距离

计算公式（n维空间下）

二维：dis=sqrt( (x1-x2)^2 + (y1-y2)^2 )

三维：dis=sqrt( (x1-x2)^2 + (y1-y2)^2 + (z1-z2)^2 )

2.曼哈顿距离：两个点在标准坐标系上的绝对轴距总和

dis=abs(x1-x2)+(y1-y2)

如图所示，图中_A_,B_两点的曼哈顿距离为_AC+BC=4+3=7

3.切比雪夫距离：各坐标数值差的最大值

dis=max(abs(x1-x2),abs(y1-y2))

dis=max(AC,BC)=AC=4

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

曦月さん

关注关注

2
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

ML：结构化数据(文本/图像)计算相似度常用十类方法(余弦相似性、皮尔逊、闵可夫斯基距离/曼哈顿距离/欧氏距离/切比雪夫距离、马氏距离、汉明距离、编辑距离、杰卡德相似系数、相对熵/KL散度、Helli

头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀

12-02

5320

ML：结构化数据(文本/图像)计算相似度常用十类方法(余弦相似性、皮尔逊、闵可夫斯基距离/曼哈顿距离/欧氏距离/切比雪夫距离、马氏距离、汉明距离、编辑距离、杰卡德相似系数、相对熵/KL散度、Hellinger距离、贝叶斯公式距离)简介、代码实现目录相似度相关文章 ML之Hash_EditDistance&Hash_HammingDistance&Hog_HanMing&Cosin&SSIM：图片相似性判别—基于输入图片利用多种算法进行

参与评论您还未登录，请先登录后发表或查看评论

欧几里得距离（欧式距离）

sandalphon4869的博客

02-10

5万+

文章目录一、定义二、公式一、定义 欧几里得度量（欧氏距离） Euclidean Metric，Euclidean Distance：指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。比如：在二维和三维空间中的欧氏距离就是两点之间的实际距离。二、公式二维： ρ=(x2−x1)2+(y2−y1)2\rho=\sqrt{(x_2-x_1)^2+(y_2-y_1)^...

机器学习---常见的距离公式（欧氏距离、曼哈顿距离、标准化欧式距离、余弦距离、杰卡德距离、马氏距离、切比雪夫距离、闵可夫斯基距离、K-L散度）

最新发布

weixin_30621711的博客

05-07

556

数据采集作为连接模拟与数字世界的核心技术，其发展历程深刻反映了电子工程的演进。其基本原理是将温度、压力等连续物理量转换为计算机可处理的数字信号，核心在于构建高精度、低噪声的信号链路。从早期依赖手工匹配晶体管来保证运放性能，到集成电路工艺催生了匹配晶体管对和集成运放，设计范式发生了根本转变。单片集成ADC的出现，特别是12位转换器的实现，标志着数据采集从系统级设计难题转变为芯片选型问题，极大提升了可靠性与标准化程度。现代高精度Σ-Δ ADC则通过过采样和数字滤波架构，在实现24位超高分辨率的同时，内置了抗混叠

2024-06-06 问AI: 在深度学习中，什么是欧几里德长度？

baidu_24377669的博客

06-06

1739

欧几里得长度可以通过勾股定理来计算，利用两点之间的直线距离来确定它们之间的距离。

欧几里得距离，曼哈顿距离，切比雪夫距离

XZHSakura的博客

07-30

1万+

1.欧几里得距离（欧式距离）它是在m维空间中两个点之间的真实距离。在二维和三维空间中的欧氏距离的就是两点之间的距离（简单来说就是两点之间直线最短的那段距离）。相关联的范数称为欧几里得范数，也称 L2L_2L2 范数。二维空间的公式三维空间的公式 n维空间的公式 2.曼哈顿距离 曼哈顿距离也称出租车几何，是由十九世纪的赫尔曼·闵可夫斯基在曼哈顿街区研究时所创词汇，是种使用在几何度量空间的几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和。例如在平面上，坐标 (X1,Y1)(X_1,Y_1

距离度量 —— 欧式距离（Euclidean Distance）

繁依Fanyi的博客

06-10

3万+

欧式距离，也称为 欧几里得距离，是我们从小学、初中、高中等等乃至现在都会用到的距离度量。“两点之间线段最短” 大家都学过吧，这里只不过给换了一个高大上的英文名字，就是我们在小初高等试卷上计算距离的那个公式假设二维平面内有两点：a(x1,y1)a(x_{1},y_{1})a(x1,y1) 与 b(x2,y2)b(x_{2},y_{2})b(x2,y2)则二维平面的距离公式为：d12=(x1−x2)2+(y1−y2)2d_{12}=\sqrt{(x_{1}-x_{2})^2+(y_{1}-y_{2}

计算机领域各种距离计算公式

备忘录式博客

10-07

6448

目录 1. 绝对值距离 2. 欧氏距离 3. 曼哈顿距离 4. 切比雪夫距离 5. 闵可夫斯基距离(Minkowski Distance) 6. 标准化欧氏距离 (Standardized Euclidean distance ) 7. 马氏距离(Mahalanobis Distance) 8. 巴氏距离（Bhattacharyya Distance） 9. 汉明距离(Hammi...

【机器学习】一文搞懂机器学习中的距离公式

清弦墨客的博客

01-05

1737

本文对机器学习领域的诸多距离公式抽丝剥茧，从闵可夫斯基距离的多元统一，到欧氏、曼哈顿、切比雪夫距离的直观呈现；从夹角余弦、汉明距离、杰卡德距离的独特视角，再到兰氏、马氏距离的精妙度量，各公式特色鲜明。Python 实现借助 Numpy、Scipy 等库，代码简洁高效，为算法落地铺就道路。在应用中，聚类、分类、文本挖掘等场景各取所需，不同距离度量成为挖掘数据价值的关键工具。展望未来，随着数据量呈指数级增长、维度持续攀升，传统距离度量面临挑战。

六大距离：欧式距离、街道距离、马氏距离等

YJ语

06-06

4623

文章目录1 简介2 距离特征2.1 Euclidean距离2.2 Cosine距离2.3 manhattan距离2.4 chebyshev距离2.5 minkowski距离2.6 mahalanobis距离3 代码实现 1 简介数值向量是数据建模问题中最为常见的一类特征，例如：在一些涉及图片，文本信息等的场景中，例如图片相似度匹配查询、相似文章寻找、同款商品定位等等问题中，为了能快速进行搜索匹配，我们往往会都会将图片文本等信息转化为数值向量；在搜索推荐等的多流程建模工作中，上游经常会将一些

常见距离算法小结

qq_30534935的博客

11-06

3436

在数据挖掘的过程中，只用用到了相似性，就会涉及到距离的运用。怎样选择合适的距离，对最终数据挖掘的准确性非常关键。因此，这里总结了比较常用几种距离算法，供大家参考。一、欧氏距离又称欧几里得距离，其源自于欧式空间中计算两点间的距离公式，是最易于理解的一种距离计算方法。也可推广到数据挖掘中广义的多维度空间。二、曼哈顿距离又称城市街区距离、棋盘距离。我们可以定义曼哈顿距离的正式意义为：在欧几...

距离和相似性度量

crossoverpptx的博客

06-15

653

在机器学习中，经常需要比较个体间差异的大小，进而评价个体的相似性和类别。最常见的是数据分析中的相关分析，数据挖掘中的分类和聚类算法，如K最近邻（KNN）和K均值（K-Means）等。其中，衡量个体间差异的方法，主要分为距离度量和相似性度量。为了方便下面的解释和举例，先设定我们要比较X个体和Y个体间的差异，它们都包含了N个维的特征，即X=（x1, x2, x3, … xn），Y=（y1, y2, y3, … yn）。

几种距离计算公式在数据挖掘中的应用场景分析

Thinkgamer博客

09-20

8637

本文涉及以下几种距离计算公式的分析，参考资料为《面向程序员的数据挖掘指南》 - 曼哈顿距离 - 欧几里得距离 - 闵可夫斯基距离 - 皮尔逊相关系数 - 余弦相似度

常见相似性度量及各种距离

God_68的博客

08-14

6655

工程上的很多问题，比如最经典的最小二乘法、聚类问题、分类问题、视觉中的立体匹配以及图像检索等等，都要涉及到比较两个向量或者集合或者概率分布的相似程度，而比较相似程度又可以转化为比较它们之间两两的距离，距离越近，相似程度越高。针对不同的问题，研究人员提出了不同的相似度衡量标准。首先不得不说的，就是由范数而来的几种距离度量。平时接触最多的就是L0，L1，L2和L_infinity范数：L0范数即向量中...

患者相似性中常用的距离度量方法总结

qq_41915861的博客

07-26

859

距离与相关性

一叶_障目

12-20

6761

距离度量（1）闵可夫斯基距离 (1)d12=(∑k=1n(x1k−x2k)p)1p'>d12=(∑k=1n(x1k−x2k)p)1p(1)(1)d12=(∑k=1n(x1k−x2k)p)1pd_{12}=\left(\sum_{k=1}^n(x_{1k}-x_{2k})^p\right)^{\frac{1}{p}} （2）欧氏距离 (2)d12=&#x

【机器学习】k-近邻算法——距离度量、k值选择以及分类决策规则

Daycym的博客

07-24

1万+

回顾 k-近邻算法前面，我们介绍了kkk-近邻算法，其工作机制就是给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个“邻居”的信息来进行预测。 kkk近邻法会涉及到三个问题（三要素）：距离度量、kkk值的选择、分类决策规则，下面我们分别介绍。距离度量特征空间的两个实例点的距离度量是两个实例点相似程度的反映。距离小，那么相似度大；距离大，那么相似度小。...

【聚类算法】距离计算实践

大雨淅淅的博客

11-20

897

本文系统探讨了聚类算法中的关键环节——距离计算。首先介绍了距离计算在聚类中的核心地位，通过客户细分和图像识别等案例说明其重要性。然后详细剖析了闵可夫斯基距离、汉明距离、杰卡德距离和余弦距离等常用度量方法及其适用场景，阐释了距离度量的基本性质（非负性、同一性等）。文章还针对连续属性和离散属性数据提出了不同的距离选择策略，并通过Python代码演示了实际应用。最后展望了未来发展方向，包括高效计算方法、复杂数据处理以及与深度学习的结合等。全文为聚类算法中的距离计算提供了全面的技术参考和实践指导。

weixin_33692284的博客

04-23

259

本文探讨了欧几里得距离在Python实战中的5个高能应用场景，包括推荐系统、图像搜索、游戏开发、异常订单检测和地理位置服务。通过具体代码示例，展示了如何利用这一经典数学概念解决实际问题，提升开发效率和应用性能。

Python实现十大相似性度量方法完整代码与可视化结果

weixin_31139479的博客

09-27

923

定义如下：即L∞范数：$ |A - B|_\infty $。其几何形状在二维中为正方形，在三维中为立方体，表示只要在一个维度上差距足够大，即便其他维度接近，也被认为“远离”。应用场景包括国际象棋中王的移动步数、数控机床定位误差控制等。# 示例：比较三种距离输出：Minkowski距离统一表达式为：当 $ p=1 $：曼哈顿；$ p=2 $：欧几里得；$ p \to \infty $：切比雪夫。else:# 测试plt.show()