向量间的距离

数学上距离通常是指用两个向量的距离。向量距离的大小是很多算法中的重要参考数据。

Euclidean Distance(欧几里德距离)

欧几里德距离是最常见的距离。在二维平面上，就是连接两个点的线段的长度。

对于给定的两个点：p = (p1, p2,..., pn)和q = (q1, q2,..., qn)这间的距离可以计算如下:

D(p,q)=D(q,p) = sqrt(∑(p-q)^2)

Manhattan Distance(曼哈顿距离)

英文也叫做Taxicab Geometry。

Taxicab是出租车的意思。想想出租车在格子状（垂直相交）的城市道路行驶的距离，就是曼哈顿距离的典型例子。车子从A点到B点，途中有好几个十字路口，则车子无所谓在哪个路口拐弯或不拐弯，只要是朝着目标的方向走，距离总是一样的。

数学可以表示为:

D(p,q)=D(q,p) = ∑abs(p-q)

Chebyshev Distance(切比雪夫距离)

切比雪夫距离描述了向量在各个维度上的距离的最大值。

先看数学表示：

D(p,q)=D(q,p) = max(abs(p-q))

国际象棋中的王或后可以横向移动，也可以斜向移动，但都表示一步，或者说移动距离是1个单位。

Mahalanobis Distance(马氏距离)

Mahalanobis Distance是基于数据在统计上的相关性计算出的距离。它的一个重要特点是 scale invariant

TODO