1 基本概念
1.1 定义
1.1.1 一般形式
加权距离是指在计算两个对象之间的差异时，对不同维度、变量或特征赋予不同权重，从而使各部分对总距离的贡献不再相同。其核心思想是：在同样的数值差异下，重要性更高的部分应当产生更大的影响，重要性较低的部分则相对被弱化。 在数学表达上，加权距离通常由“差异项”和“权重项”共同构成，具体形式会因所采用的基础距离而变化。
1.1.2 与普通距离的区别
普通距离一般默认各维度具有同等地位，计算时不区分各项的重要程度。加权距离则通过权重机制打破这种均匀处理方式，使距离更贴近实际应用中的判断标准。 例如，在某些场景中，两个样本在关键指标上的微小差别，可能比在次要指标上的较大差别更值得关注，这类需求就适合采用加权距离。
1.2 权重的含义
1.2.1 变量权重
变量权重是对不同变量整体重要性的分配方式。它常用于变量数量不多、且每个变量具有明确解释意义的模型中。 例如，在评价一个系统性能时，速度、稳定性和能耗可能被赋予不同权重，以反映综合评价的侧重点。
1.2.2 维度权重
维度权重主要针对多维空间中的各个坐标轴。不同维度所表示的信息可能并不等价，因此通过维度权重可以调整各方向差异在距离中的作用。 这种处理方式在几何分析、数据降维和向量比较中较为常见。
1.2.3 特征权重
特征权重更强调数据集中的具体特征项，尤其适用于机器学习和统计建模。某些特征对分类或预测更敏感，给予更高权重后，距离计算会更倾向于反映这些关键特征的变化。 它与变量权重在概念上接近，但通常更贴合数据挖掘中的特征工程语境。
1.3 适用场景
1.3.1 多维数据分析
在多维数据分析中，各指标常常具有不同的信息含量。加权距离可以帮助研究者突出关键维度，减少无关或弱相关维度的干扰。 这使得样本之间的相似性判断更符合分析目标。
1.3.2 异质尺度测量
当不同变量的量纲、量级或测量精度差异较大时，直接使用普通距离容易造成某些大尺度变量主导结果。加权距离常与标准化方法配合，用于缓解这种不均衡。 它能够使不同来源的数据在同一比较框架下更合理地参与运算。
1.3.3 成本敏感计算
在成本敏感问题中，不同类型误差或不同方向偏差的代价并不一致。通过设置权重，可以将这种“代价差异”映射到距离计算中。 这类思路常见于分类、检索、路径规划和决策支持系统中。
2 数学表达与性质
2.1 常见公式
2.1.1 加权欧氏距离
加权欧氏距离通常是在欧氏距离基础上，对各维差值平方后再乘以权重并求和，最后开平方。其一般形式可写为各分量差异按权重加总的二次型。 该形式保留了欧氏距离的几何直观，同时允许不同坐标方向具有不同影响力。
2.1.2 加权曼哈顿距离
加权曼哈顿距离是将各分量的绝对差乘以相应权重后再求和。与欧氏型距离相比，它更强调线性叠加的差异表达。 这种形式常用于希望对各维偏差进行直接累积的场合。
2.1.3 加权闵可夫斯基距离
加权闵可夫斯基距离是在闵可夫斯基距离的框架中引入权重，并通过参数阶数控制差异聚合方式。 当阶数取不同值时，它可以退化为多种经典距离，因此具有较强的统一性。
2.2 基本性质
2.2.1 非负性
加权距离通常不小于零，因为其组成部分多由绝对值、平方或非负权重构成。 只有在两个对象完全一致，且权重设置正常时，距离才可能取零。
2.2.2 对称性
在大多数常见定义下，加权距离满足对称性，即两点之间从A到B与从B到A的距离相同。 不过，若权重与方向、路径或状态相关，则也可能出现不对称情形，此时严格意义上不一定属于度量。
2.2.3 三角不等式
是否满足三角不等式，取决于具体公式和权重条件。对于许多规范的加权欧氏距离、加权曼哈顿距离而言，适当设置权重后通常仍可满足该性质。 但若权重引入了非线性、方向依赖或局部变化，则三角不等式可能失效。
2.3 权重条件
2.3.1 权重非负性
权重通常要求非负，否则会导致距离贡献出现抵消甚至反向作用，破坏距离的直观含义。 在实际建模中，负权重一般不用于标准加权距离定义。
2.3.2 权重归一化
权重归一化是指将权重调整到总和为1或某一固定尺度。这样做有助于比较不同模型、不同样本或不同指标体系下的结果。 不过，是否必须归一化取决于应用目标；有时只需保持相对比例即可。
2.3.3 权重矩阵与向量形式
当各维之间存在相关性或交叉影响时，权重不一定只表现为向量，也可以表示为矩阵形式。 向量形式通常对应独立维度加权，矩阵形式则更适合描述耦合关系和二次型结构。
2.4 特殊情形
2.4.1 等权情形
当所有权重相等时，加权距离会退化为普通距离或与之成比例的形式。 此时各维被同等对待，不再区分重要性差别。
2.4.2 单一维度主导
若某一维度的权重远高于其他维度，那么距离结果会主要由该维差异决定。 这种情形在重点指标控制、阈值筛选和关键特征分析中较为常见。
2.4.3 权重退化
当部分权重取零时，相应维度在距离中被完全忽略。 这意味着相关特征虽然存在于数据中，但不再参与当前距离的计算。
3 经典类型
3.1 加权欧氏距离
3.1.1 标准定义
加权欧氏距离是在欧氏距离基础上，对每个坐标差异加入权重后再计算平方和。 它是最常见的加权距离形式之一，适用于强调连续变量整体差别的情形。
3.1.2 几何解释
从几何角度看，加权欧氏距离可视为对坐标空间进行了各向异性缩放。 某些方向被拉伸，某些方向被压缩，因此同样的位移在不同方向上会对应不同距离值。
3.2 加权曼哈顿距离
3.2.1 分量绝对值加权
加权曼哈顿距离通过对各分量绝对差进行加权求和来度量差异。 它直观、易算，且便于解释每个维度对总差异的贡献。
3.2.2 稀疏数据中的应用
在稀疏数据中，很多分量为零或接近零，曼哈顿型距离往往对局部变化更敏感。 加权之后，它还可以进一步突出少数关键位置或重要特征。
3.3 加权闵可夫斯基距离
3.3.1 参数与阶数
加权闵可夫斯基距离依赖于阶数参数，阶数越高，越强调较大偏差的影响；阶数较低时，则更接近线性累积。 权重与阶数共同决定了距离对异常差异的敏感程度。
3.3.2 与范数的关系
在适当条件下，加权闵可夫斯基距离可视为某种加权范数诱导出的距离。 它与线性空间中的范数理论联系紧密，也常用于构造统一的距离框架。
3.4 加权切比雪夫距离
3.4.1 最大分量思想
加权切比雪夫距离关注的是各分量中“最显著的差异”，即权重调整后的最大偏差。 与求和型距离不同，它强调短板或极值对整体评价的主导作用。
3.4.2 决策分析中的应用
在决策分析中，加权切比雪夫距离常用于寻找与理想方案最接近的对象，或衡量最坏情形下的偏离程度。 当系统对单一指标的极端失衡较为敏感时，这种距离尤为有用。
4 构造与计算方法
4.1 权重确定方法
4.1.1 专家赋权
专家赋权是根据领域知识和经验直接给出权重。 这种方法便于体现实际业务判断，但也较依赖主观一致性。
4.1.2 熵权法
熵权法根据数据本身的信息离散程度分配权重。一般而言，变化更明显、信息量更大的指标会获得更高权重。 它常用于多指标综合评价中，以减少纯主观设定带来的偏差。
4.1.3 统计学习赋权
统计学习赋权通过训练数据自动估计权重，使距离定义与预测任务或分类目标相匹配。 这种方式更适合数据规模较大、模式较复杂的情形。
4.2 计算步骤
4.2.1 数据标准化
在计算加权距离前，通常需要对数据进行标准化或归一化处理。 这样可以避免不同量纲导致权重失真，保证距离的可比性。
4.2.2 权重匹配
权重匹配是将确定好的权重与相应变量、维度或特征正确对应。 若匹配顺序错误，距离结果会产生系统性偏差。
4.2.3 距离求值
完成标准化与权重设置后，即可按所选公式逐项计算并汇总。 在实现上，通常会将运算向量化，以提高效率。
4.3 数值稳定性
4.3.1 尺度差异处理
如果不同变量数值范围相差过大，即使加入权重，也可能出现计算不稳定或解释困难。 因此，尺度统一往往是加权距离可用性的前提之一。
4.3.2 极端权重影响
当某些权重过大或过小，距离可能被少数维度过度支配，失去整体平衡。 这不仅影响结果，还可能放大输入噪声的作用。
4.3.3 误差传播
在浮点运算中，权重、标准化系数和阶数参数都可能影响误差传播。 对于高维或大规模数据，采用稳定算法与合理精度设置尤为重要。
5 应用领域
5.1 机器学习
5.1.1 K近邻分类
在K近邻分类中，加权距离可使某些关键特征对邻近关系产生更强影响。 这样能够提升分类器对任务相关变量的敏感度。
5.1.2 聚类分析
聚类算法常依赖样本间距离来形成簇结构。 引入权重后，聚类结果会更关注重要特征，从而得到更符合业务需求的分组。
5.1.3 度量学习
度量学习的目标之一，就是自动学习适合任务的距离形式和权重配置。 加权距离是其基础工具之一，能够帮助模型在相似性判断上更具针对性。
5.2 统计学
5.2.1 样本相似度度量
在统计分析中，加权距离常被用来衡量样本之间的接近程度。 它可用于样本筛选、匹配和分层比较。
5.2.2 异常检测
异常检测关注与常规模式偏离明显的对象。 通过对关键变量赋予较高权重，可以增强对异常信号的识别能力。
5.2.3 多变量分析
多变量分析中，各变量的作用并不总是均衡。 加权距离有助于在综合考察时突出主要因素，并弱化冗余信息。
5.3 图论与网络分析
5.3.1 带权路径长度
在带权图中，路径长度通常不是按边数计算，而是按边权累积。 这与加权距离的思想相通，都是将不同部分的贡献按重要性或代价进行加总。
5.3.2 最短路问题
最短路算法会寻找总权重最小的路径。 当边权表示成本、时间或风险时，这种计算方式可以直接体现实际优化目标。
5.3.3 网络相似性
在网络结构比较中，加权距离可用于衡量两个网络在节点属性、连接强度或局部结构上的差别。 它有助于发现网络之间的相似模式与关键偏移。
5.4 地理与空间分析
5.4.1 地理加权测度
地理分析中，距离往往不仅取决于空间位置，也受地形、交通条件或局部环境影响。 加权距离能够将这些因素纳入测度之中。
5.4.2 多尺度空间比较
在多尺度空间比较里，不同尺度上的指标贡献可能并不一致。 通过权重调节，可以让模型更重视局部细节或整体趋势。
5.5 多指标决策
5.5.1 方案排序
多方案排序通常需要将多个指标整合为单一评价值。 加权距离可用于衡量各方案与理想目标的偏离程度，从而辅助排序。
5.5.2 综合评价
综合评价强调多个维度的统筹考虑。 采用加权距离后，可以更清楚地反映各指标在总评价中的分量差别。
5.5.3 风险与收益权衡
在风险与收益并存的决策情境中，不同指标的优先级往往不一致。 加权距离可以将这种偏好形式化，帮助比较不同方案的综合表现。
6 理论扩展
6.1 加权度量空间
6.1.1 度量公理的推广
加权度量空间是对经典度量空间的扩展，其中距离定义允许带有权重因素。 在保持核心公理尽可能成立的前提下，它可以适应更复杂的结构。
6.1.2 加权拓扑结构
由加权距离诱导的拓扑结构，能够反映对象之间在加权规则下的邻近关系。 这类结构在分析收敛性、连续性和局部性质时具有参考价值。
6.2 归一化与标准化
6.2.1 量纲处理
量纲处理是加权距离应用中的基础环节。 如果不先统一量纲，权重的含义往往会被尺度差异掩盖。
6.2.2 指标压缩
指标压缩是通过变换减少极端值或缩小数值范围，使距离计算更加稳健。 它常与对数变换、标准分和区间缩放等方法结合使用。
6.3 诱导范数与内积
6.3.1 加权内积空间
在加权内积空间中，内积本身就包含权重或度量矩阵，因此其对应的长度和夹角概念也随之改变。 这为加权距离提供了更深层的线性代数背景。
6.3.2 加权范数空间
加权范数空间中的范数会根据权重重新衡量向量大小。 加权距离常可由此类范数导出，并服务于优化和分析问题。
6.4 非线性加权距离
6.4.1 距离衰减函数
非线性加权距离会根据差异大小动态调整权重，例如在差异较小或较大时采用不同的衰减策略。 这使距离对局部变化或极端偏离的响应更加灵活。
6.4.2 自适应权重模型
自适应权重模型允许权重随样本、时间或上下文变化。 它适合处理环境不断变化、指标重要性不固定的问题。
7 相关概念
7.1 与距离函数的关系
7.1.1 相似度与距离
相似度通常表示“接近程度”，而距离表示“差异程度”。 二者可以互相转换，但侧重点不同：前者越大越相似，后者越小越接近。
7.1.2 半度量与伪度量
当距离定义不完全满足所有度量公理时，可能只能归入半度量或伪度量。 加权方式若设计不当，就可能使距离失去某些严格性质。
7.2 与加权平均的区别
7.2.1 作用对象不同
加权平均处理的是多个数值的汇总，目的是得到一个代表性结果。 加权距离处理的是对象之间的差异，强调偏离程度的刻画。
7.2.2 数学目标不同
加权平均关注“综合值”，加权距离关注“接近程度”。 两者都使用权重，但数学功能并不相同。
7.3 与尺度变换的关系
7.3.1 线性缩放
线性缩放会改变数值的绝对大小，而加权距离中的权重往往与这种缩放效果相互配合。 在某些情况下，给定权重可视为对坐标进行不同程度的线性缩放。
7.3.2 仿射变换
仿射变换不仅包含缩放，还可能包含平移。 由于距离本身通常对平移不敏感，因此权重与仿射变换的关系主要体现在缩放部分。
7.4 常见误区
7.4.1 权重越大距离越大
权重增大通常会放大对应维度的贡献，但最终距离是否变大，还取决于该维差异是否存在以及其他维度的配合情况。 因此，不能简单地将“权重变大”与“总距离必然变大”划等号。
7.4.2 权重可随意设定
权重并非越自由越好，通常需要与数据结构、任务目标和理论性质相匹配。 不合理的权重设置可能导致结果失真，甚至破坏距离性质。
7.4.3 距离一定满足所有度量公理
并非所有名为“距离”的量都满足严格的度量公理。 一旦引入方向依赖、非线性规则或特殊退化情形，某些公理可能不再成立。