{
  "id": "euclidean-distance",
  "title": "欧几里得距离",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "欧几里得距离衡量两点间的直线距离，等于各坐标之差的平方和的平方根。",
  "category": "mathematics",
  "subcategory": "geometry",
  "type": "concept",
  "aliases": [
    "欧氏距离",
    "欧几里得度量",
    "欧氏度量",
    "L2距离",
    "直线距离"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/euclidean-distance/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/euclidean-distance/",
      "json": "https://aiwiki.page/en/euclidean-distance.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "欧几里得距离是欧几里得空间中两点之间通常所说的直线距离。在几何学中，它表示连接两点的线段长度；在数值应用中，它衡量两个坐标向量之间的距离。其坐标公式将勾股定理推广到了任意有限维空间。它是由欧几里得范数（也称为2-范数）诱导的距离，也是度量的一个标准示例。(assets.cambridge.org)"
    },
    {
      "heading": "定义与坐标公式",
      "text": "对于 \\(\\mathbb{R}^n\\) 中坐标为实数的两点 \\(x=(x_1,\\ldots,x_n)\\) 和 \\(y=(y_1,\\ldots,y_n)\\)，欧几里得距离为\n\n\\[d(x,y)=\\sqrt{\\sum_{i=1}^{n}(x_i-y_i)^2}.\\]\n\n这个公式以正交归一坐标系为前提：各坐标轴彼此垂直，并使用相同的长度单位。在一维情况下，公式简化为 \\(|x_1-y_1|\\)。在二维情况下，两个坐标之差构成直角三角形的两条直角边，连接两点的线段则是斜边。同样的构造可以推广到三维及更高维空间。(assets.cambridge.org)\n\n例如，\\((1,2)\\) 与 \\((4,6)\\) 之间的距离为\n\n\\[\\sqrt{(4-1)^2+(6-2)^2}=\\sqrt{9+16}=5.\\]\n\n在线性代数中，位移 \\(x-y\\) 属于一个向量空间，距离可以写成\n\n\\[d(x,y)=\\|x-y\\|_2 =\\sqrt{\\langle x-y,x-y\\rangle},\\]\n\n其中，\\(\\langle u,v\\rangle=\\sum_i u_i v_i\\) 是标准内积。范数衡量向量的长度，而距离衡量两点之差所对应向量的长度。(bpb-us-e1.wpmucdn.com)"
    },
    {
      "heading": "度量与几何性质",
      "text": "欧几里得距离使 \\(\\mathbb{R}^n\\) 成为一个度量空间。它满足度量定义中的四项性质：非负性；距离为零当且仅当两点重合；对称性，即 \\(d(x,y)=d(y,x)\\)；以及三角不等式，\n\n\\[d(x,z)\\leq d(x,y)+d(y,z).\\]\n\n最后一项性质表示，直接从一点到另一点的路程，不会长于途经一个中间点的路程。从代数上看，它可由欧几里得范数的三角不等式推出。(assets.cambridge.org)\n\n当两点经历相同的平移、旋转或反射时，它们之间的距离不变。对于转置满足 \\(Q^{\\mathsf T}Q=I\\) 的正交矩阵 \\(Q\\)，以及平移向量 \\(b\\)，有\n\n\\[d(Qx+b,Qy+b)=d(x,y).\\]\n\n因此，更换正交归一坐标系不会改变实际距离。不过，将所有坐标乘以标量 \\(c\\)，会使距离变为原来的 \\(|c|\\) 倍。这些结论源于正交变换保持长度不变，以及范数的齐次性。(ocw.mit.edu)"
    },
    {
      "heading": "欧几里得距离的平方",
      "text": "欧几里得距离的平方省去了开平方运算：\n\n\\[d(x,y)^2=\\sum_i(x_i-y_i)^2.\\]\n\n由于平方函数在非负数范围内严格递增，取平方不会改变距离的大小顺序。因此，搜索最近点时可以直接比较距离的平方，而不必计算平方根。然而，距离的平方本身并不是度量：对于直线上的点 \\(0,1,2\\)，距离的平方给出 \\(4>1+1\\)，违反了三角不等式。这个反例可以直接由公式得出。(docs.scipy.org)\n\n距离的平方在数学优化中尤为重要。K均值聚类最小化各观测点到其所属聚类中心的距离平方之和。同样，均方误差等于预测向量与目标向量之间的欧几里得距离的平方，除以向量的分量个数。尽管取平方不会改变各个近邻的距离排序，但它会改变误差对目标函数的贡献方式。(scikit-learn.org)"
    },
    {
      "heading": "应用与特征缩放",
      "text": "在机器学习中，观测数据通常表示为数值特征向量。K近邻算法可以利用欧几里得距离找出相近的观测样本，用于分类或回归。包括KD树和球树在内的空间搜索结构，通过组织数据点来加速适用的近邻查询。它们的性能取决于维数和数据结构。(scikit-learn.org)\n\n“接近”的含义取决于坐标的尺度。如果某个特征的数值范围远大于其他特征，它就可能主导坐标差的平方和。因此，特征缩放会改变基于距离的方法所使用的几何结构。标准化处理先减去每个特征的均值，再除以其标准差；由此得到的距离反映的是相对于特征变异程度的差异，而不是以原始单位表示的差异。仅进行中心化不会改变两两距离，因为相同的均值会在求差时抵消。(scikit-learn.org)\n\n高维也会影响距离的解释与计算。维数灾难可能降低空间搜索的效率，而基于距离的聚类方法也可能随着维数增加而表现出不同的行为。降维改变了计算距离所依据的数据表示，但并不会自动保留所有原始距离。(scikit-learn.org)"
    },
    {
      "heading": "相关距离与计算",
      "text": "欧几里得距离是闵可夫斯基距离在 \\(p=2\\) 时的特例。加权欧几里得距离将各坐标差的平方替换为 \\(w_i(x_i-y_i)^2\\)；正权重相当于对各个坐标分别进行缩放。马氏距离引入协方差矩阵的逆矩阵，使这一距离度量能够考虑不同的变异程度以及相关性。(scikit-learn.org)\n\n对于长度为1的向量，展开内积可得\n\n\\[\\|x-y\\|_2^2=2-2\\langle x,y\\rangle.\\]\n\n因此，按欧几里得距离从小到大排列这些向量，与按余弦相似度从大到小排列的顺序一致。如果不进行归一化，欧几里得距离还会受到向量长度的影响。(docs.scipy.org)\n\n计算实现中可以使用\n\n\\[d(x,y)^2=x^{\\mathsf T}x-2x^{\\mathsf T}y+y^{\\mathsf T}y.\\]\n\n这一恒等式有助于高效计算两两距离，并复用预先计算的范数。然而，将大小接近的大数相减可能引起数值消去，因此，代数上等价的公式未必会产生完全相同的浮点计算结果。(scikit-learn.org)"
    }
  ],
  "links": [
    "euclidean-space",
    "geometry",
    "pythagorean-theorem",
    "real-number",
    "linear-algebra",
    "vector-space",
    "inner-product",
    "metric-space",
    "triangle-inequality",
    "orthogonal-matrix",
    "mathematical-optimization",
    "k-means-clustering",
    "mean-squared-error",
    "machine-learning",
    "k-nearest-neighbors-algorithm",
    "kd-tree",
    "feature-scaling",
    "standard-deviation",
    "curse-of-dimensionality",
    "dimensionality-reduction",
    "minkowski-distance",
    "mahalanobis-distance",
    "covariance-matrix",
    "cosine-similarity"
  ],
  "sources": [
    {
      "title": "assets.cambridge.org/97805216/13255/excerpt/9780521613255_excerpt.pdf",
      "url": "https://assets.cambridge.org/97805216/13255/excerpt/9780521613255_excerpt.pdf"
    },
    {
      "title": "bpb-us-e1.wpmucdn.com/sites.mit.edu/dist/0/890/files/2023/07/MLNotes_1.pdf",
      "url": "https://bpb-us-e1.wpmucdn.com/sites.mit.edu/dist/0/890/files/2023/07/MLNotes_1.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/res-18-011-algebra-i-student-notes-fall-2021/mit18_701f21_l…",
      "url": "https://ocw.mit.edu/courses/res-18-011-algebra-i-student-notes-fall-2021/mit18_701f21_lec12.pdf"
    },
    {
      "title": "docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.sqeuclidean…",
      "url": "https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.sqeuclidean.html"
    },
    {
      "title": "scikit-learn.org/0.19/modules/clustering.html",
      "url": "https://scikit-learn.org/0.19/modules/clustering.html"
    },
    {
      "title": "scikit-learn.org/stable/modules/neighbors.html",
      "url": "https://scikit-learn.org/stable/modules/neighbors.html"
    },
    {
      "title": "scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.…",
      "url": "https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html"
    },
    {
      "title": "scikit-learn.org/stable/modules/generated/sklearn.neighbors.NearestNeighbors.ht…",
      "url": "https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.NearestNeighbors.html"
    },
    {
      "title": "docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.cdist.html",
      "url": "https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.cdist.html"
    },
    {
      "title": "scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.euclidean_di…",
      "url": "https://scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.euclidean_distances.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}