欧几里得距离

定义

欧几里得距离（Euclidean Distance），又称欧氏距离，是指在欧几里得空间中两点之间的直线距离，是度量几何中最基本、最直观的距离概念。在二维平面上，若点$A$的坐标为$(x_1, y_1)$，点$B$的坐标为$(x_2, y_2)$，则它们之间的欧几里得距离可由勾股定理直接导出：$d(A, B) = \sqrt{(x_2 - x_1)^2 + (y_2 - y_1)^2}$。这一公式可自然推广至$n$维空间：对于空间中的两点$\mathbf{p} = (p_1, p_2, \ldots, p_n)$和$\mathbf{q} = (q_1, q_2, \ldots, q_n)$，其欧几里得距离定义为$d(\mathbf{p}, \mathbf{q}) = \sqrt{\sum_{i=1}^{n} (q_i - p_i)^2}$。欧几里得距离的名称来源于古希腊数学家欧几里得及其著作《几何原本》，其中所建立的距离概念构成了整个经典几何学的基础。作为一种明可夫斯基距离的特例（当参数$r=2$时），欧几里得距离具有旋转不变性，满足非负性、对称性和三角不等式等度量空间的基本公理，是诸多科学领域中衡量差异性和相似性的核心工具。

数学性质

欧几里得距离作为一种度量，严格遵循度量空间的三个基本公理。其一为非负性：对任意两点$\mathbf{p}, \mathbf{q}$，有$d(\mathbf{p}, \mathbf{q}) \geq 0$，当且仅当$\mathbf{p} = \mathbf{q}$时等号成立。其二为对称性：$d(\mathbf{p}, \mathbf{q}) = d(\mathbf{q}, \mathbf{p})$，即距离不受方向影响。其三为三角不等式：对任意三点$\mathbf{p}, \mathbf{q}, \mathbf{r}$，有$d(\mathbf{p}, \mathbf{q}) \leq d(\mathbf{p}, \mathbf{r}) + d(\mathbf{r}, \mathbf{q})$，这保证了在几何意义上沿直线路径是最短的。从代数角度看，欧几里得距离等价于向量差$\mathbf{p} - \mathbf{q}$的$L^2$范数，即$d(\mathbf{p}, \mathbf{q}) = \|\mathbf{p} - \mathbf{q}\|_2$，它可以通过向量内积表示为$\sqrt{(\mathbf{p} - \mathbf{q}) \cdot (\mathbf{p} - \mathbf{q})}$。欧几里得距离最重要的数学特征之一是旋转不变性：在正交变换（如旋转、反射）下，任意两点间的欧几里得距离保持不变。这一性质使其在几何学、物理学和工程学中具有特殊地位。然而，欧几里得距离对量纲非常敏感——当各维度数据的尺度差异较大时，数值较大的维度将主导距离计算，因此在实际应用中通常需要对数据进行标准化处理。此外，在高维空间中，欧几里得距离会遭遇所谓的"维度灾难"现象：随着维度的增加，任意两点之间的距离趋于相等，使得距离度量失去区分能力，这一现象对机器学习中的最近邻算法和聚类分析构成了实质性挑战。

与其他距离的关系

欧几里得距离是明可夫斯基距离族中的一员。明可夫斯基距离的一般形式为$d(\mathbf{p}, \mathbf{q}) = \left(\sum_{i=1}^{n} |q_i - p_i|^r\right)^{1/r}$，当$r=1$时退化为曼哈顿距离（又称城市街区距离），当$r=2$时即为欧几里得距离，当$r \to \infty$时变为切比雪夫距离。曼哈顿距离仅允许沿坐标轴方向的移动，适合网格状路径的度量，对异常值的影响相对不敏感；而欧几里得距离允许任意方向的直线移动，对异常值更加敏感且变化更平滑。在概率与统计学中，马氏距离是欧几里得距离的推广，它通过协方差矩阵考虑了变量之间的相关性，从而消除了尺度的影响。余弦相似度从方向而非幅度的角度衡量向量之间的接近程度，与欧几里得距离关注绝对差异不同，余弦相似度关注的是相对方向差异。在实践中，选择哪种距离度量取决于具体问题的性质：当数据各维度独立同尺度时，欧几里得距离表现出色；当数据存在相关性或尺度差异显著时，马氏距离可能更为合适；当文本或高维稀疏数据涉及方向比较时，余弦相似度通常是更好的选择。

应用领域

欧几里得距离在自然科学、社会科学和工程技术中有着极为广泛的应用。在机器学习领域，$k$-最近邻算法（$k$-NN）利用欧几里得距离在特征空间中寻找与待分类样本最近的$k$个邻居，通过多数投票或加权平均进行预测与分类，其性能高度依赖于距离度量的选择。$k$-均值聚类算法同样依赖欧几里得距离将数据点分配到距离最近的聚类中心，通过迭代更新聚类中心直至收敛，是应用最广泛的无监督学习算法之一。在自然语言处理中，词嵌入（Word Embedding）技术将词汇映射到低维稠密的向量空间中，词汇之间的语义相似度往往通过计算对应向量的欧几里得距离或余弦相似度来衡量。在计算机视觉领域，欧几里得距离被用于图像特征匹配、目标跟踪和三维重建中的点对距离计算；在图像检索系统中，查询图像与数据库图像之间的色彩直方图或深度学习特征向量的欧几里得距离越小，则被认为内容越相似。在推荐系统中，基于用户的协同过滤算法通过计算用户兴趣向量之间的欧几里得距离寻找品味相近的"邻居用户"，进而向其推荐邻居偏好的物品。在经济与金融分析中，欧几里得距离被用于度量不同资产收益率序列之间的相似性，辅助投资组合构建和市场聚类分析。在生物学和生态学领域，系统发育学利用物种特征向量之间的欧几里得距离构建进化树，而生态学中群落组成数据的距离分析则用以揭示样本间的物种构成差异。在心理学研究中，多维尺度分析（MDS）以欧几里得距离为基础，将个体对刺激物之间的主观相似度判断映射为低维空间中的几何距离，从而可视化其认知结构。

局限与注意事项

尽管欧几里得距离直观且易于理解，但其局限性不容忽视。首要问题在于对量纲的敏感依赖：如果某个特征的数值范围远大于其他特征，该特征将主导距离计算结果，使其他特征的贡献被稀释。为解决这一问题，常见的做法是在距离计算之前对数据进行标准化，如$z$-得分标准化或最小-最大归一化。其次，如前所述，高维空间中的维度灾难使欧几里得距离的有效性大幅下降：在高维环境下，最近邻与最远邻的距离之比趋近于1，这意味着"最近"与"最远"的区分变得微不足道。在这种情况下，可以考虑使用降维技术（如主成分分析或$t$-分布随机邻域嵌入）将数据投影至低维空间后再计算欧几里得距离，或采用适用于高维数据的替代距离度量。第三，欧几里得距离假设各维度之间相互独立且具有相同的权重，当变量之间存在显著相关性时，这一假设违背了数据的真实结构，此时马氏距离是一种更为合理的替代方案。第四，欧几里得距离对异常值极为敏感，单个极端值可以显著改变距离计算结果。在存在异常值的数据集中，可以改用曼哈顿距离或经过稳健化处理的欧几里得距离变体。最后，当数据具有明显的非欧几何特征（如流形结构）时，欧几里得距离无法捕捉数据的内在结构，此时应选用测地距离或扩散距离等非线性距离度量。