1 定义与基本概念
欧氏距离是欧几里得几何中最常用的距离定义，用来描述两个点之间的直线长度。它适用于平面、三维空间以及更高维的欧氏空间，具有直观的几何意义，也是许多数学模型和算法的基础。
1.1 欧氏空间中的点距
在欧氏空间中，点距指两个点之间的最短连线长度。对于平面上的两点，这条路径可视为连接它们的线段长度；在更高维空间中，虽然无法直接“看见”连线，但该长度仍可通过坐标计算得到。
1.2 向量形式定义
从向量角度看，欧氏距离可以理解为两个位置向量之差的长度。设两个点对应的向量分别为 \(\mathbf{x}\) 与 \(\mathbf{y}\)，则它们之间的距离等于差向量 \(\mathbf{x}-\mathbf{y}\) 的模。
1.3 坐标表示法
若点由坐标表示，则欧氏距离可由各坐标分量的差值计算得到。该方法便于在解析几何、线性代数和数值计算中直接使用，也是工程与计算机领域最常见的表示方式之一。
1.4 与勾股定理的关系
欧氏距离本质上是勾股定理在二维与多维情形下的推广。二维平面中，两点的横向与纵向差分别构成直角三角形的两条直角边，距离则是斜边长度；在三维及更高维空间中，可将这一思想递推扩展。
2 数学表达式
欧氏距离的公式形式会随维度变化而改变，但其核心始终是对各坐标差的平方求和，再开平方。该结构保证了距离具有明确的几何含义和良好的数学性质。
2.1 二维空间中的公式
在二维平面中，点 \(A(x_1,y_1)\) 与点 \(B(x_2,y_2)\) 的欧氏距离为：
\[ d(A,B)=\sqrt{(x_1-x_2)^2+(y_1-y_2)^2} \]
这是最经典的距离公式，常用于平面解析几何和基础测量问题。
2.2 三维空间中的公式
在三维空间中，点 \(A(x_1,y_1,z_1)\) 与点 \(B(x_2,y_2,z_2)\) 的距离可写为：
\[ d(A,B)=\sqrt{(x_1-x_2)^2+(y_1-y_2)^2+(z_1-z_2)^2} \]
该表达式可直接用于空间位置计算，例如物体定位、轨迹分析和三维建模。
2.3 n维空间中的推广
对于 \(n\) 维欧氏空间中的两点 \(\mathbf{x}=(x_1,\dots,x_n)\) 与 \(\mathbf{y}=(y_1,\dots,y_n)\)，欧氏距离定义为：
\[ d(\mathbf{x},\mathbf{y})=\sqrt{\sum_{i=1}^{n}(x_i-y_i)^2} \]
这一形式将“平面距离”推广到任意维度，是现代数据分析中最常见的距离定义之一。
2.4 矩阵与范数表示
若将点视为列向量，则欧氏距离可表示为差向量的二范数：
\[
| d(\mathbf{x},\mathbf{y})=\|\mathbf{x}-\mathbf{y}\|_2 |
|---|
\]
在矩阵运算中，这一写法更便于统一处理多维数据，也有利于与线性代数工具结合使用。
3 几何性质
欧氏距离之所以重要，不仅因为它直观，还因为它满足一组基本而稳定的性质，使其能够构成严格的度量结构。
3.1 非负性
欧氏距离总是大于或等于零。由于公式中各项均为平方和，再取平方根，因此不会出现负值。这一性质符合“长度不可能为负”的直观认识。
3.2 对称性
两点之间的欧氏距离与点的先后顺序无关，即：
\[ d(\mathbf{x},\mathbf{y})=d(\mathbf{y},\mathbf{x}) \]
这说明从点 A 到点 B 的距离与从点 B 到点 A 的距离相同。
3.3 三角不等式
对于任意三点 \(\mathbf{x}, \mathbf{y}, \mathbf{z}\)，欧氏距离满足：
\[ d(\mathbf{x},\mathbf{z}) \le d(\mathbf{x},\mathbf{y}) + d(\mathbf{y},\mathbf{z}) \]
这表明两点之间的直线距离不超过经由第三点的折线路径长度，是欧氏几何与度量空间理论中的核心性质之一。
3.4 零距离性质
当且仅当两个点完全重合时，欧氏距离才等于零。反之，若距离为零，则说明两点在所有坐标上都相同。这一特性保证了距离可以准确区分不同位置。
4 相关数学概念
欧氏距离与若干基础概念紧密相连，尤其是长度、内积和度量空间理论。理解这些概念，有助于把握欧氏距离在数学中的位置。
4.1 欧氏范数
| 欧氏范数，又称二范数，是向量长度的标准定义。对于向量 \(\mathbf{x}\)，其欧氏范数记作 \(\|\mathbf{x}\|_2\)，表示该向量从原点出发到终点的长度。欧氏距离正是两个向量差的欧氏范数。 |
|---|
4.2 内积与长度
在欧氏空间中，内积为长度和角度提供了统一描述。向量长度可由内积导出：
\[
| \|\mathbf{x}\|_2=\sqrt{\langle \mathbf{x},\mathbf{x}\rangle} |
|---|
\]
因此，欧氏距离也可通过内积结构间接计算，这使其与正交、投影等概念联系紧密。
4.3 距离函数与度量空间
满足非负性、对称性、三角不等式以及零距离性质的函数称为度量。欧氏距离是最典型的度量之一，因此欧氏空间是度量空间理论中的基础模型。许多更复杂的空间与距离定义，往往以它为参照。
4.4 曼哈顿距离与切比雪夫距离
曼哈顿距离和切比雪夫距离是与欧氏距离并列的常见度量。前者强调坐标差的绝对值之和，后者取各坐标差的最大值。与它们相比，欧氏距离更接近“直线最短”的几何直觉，因此在连续空间中应用尤为广泛。
5 计算方法
欧氏距离的计算形式简单，但在不同维度和不同数据规模下，实际实现方式会有所差别。效率、精度和数据结构都会影响计算策略。
5.1 直接坐标计算
对于低维问题，通常直接代入距离公式即可得到结果。先分别求出各维坐标差，再平方求和，最后开平方。这种方法清晰直观，适合手工计算或小规模程序实现。
5.2 高维向量计算
在高维情形中，距离通常通过向量化运算完成。将两组数据按分量相减，再利用求和与范数函数一次性处理，可以提高计算效率，也更适合批量数据场景。
5.3 数值稳定性
当坐标值很大、很小或彼此接近时，直接计算可能引入舍入误差。实际应用中，常需注意浮点数精度问题，必要时采用更稳定的实现方式，以减少累计误差对结果的影响。
5.4 计算复杂度分析
在维度为 \(n\) 的情况下，计算一次欧氏距离通常需要对 \(n\) 个分量进行差值、平方和累加，因此时间复杂度一般为 \(O(n)\)。若在大量样本之间反复计算，整体成本会随数据规模显著上升。
6 应用领域
由于兼具几何解释和计算便利性，欧氏距离被广泛用于数学、工程和计算机科学的多个分支。
6.1 几何与图形学
在几何作图、三维建模和图形渲染中，欧氏距离常用于判断点、线段和曲面之间的位置关系，也可用于测量对象尺寸、构造空间路径和进行碰撞检测。
6.2 数据科学与聚类分析
在数据科学中，欧氏距离常作为样本相似度的基础度量。聚类算法常依赖它来判断样本间的接近程度，从而划分数据分组。它在数值型特征、连续变量分析中尤为常见。
6.3 机器学习中的近邻搜索
近邻搜索算法往往以欧氏距离为核心标准，用于查找与目标样本最接近的点。它在分类、推荐、异常检测等任务中都有重要作用，尤其适合特征空间具有明确几何意义的场景。
6.4 物理与工程建模
在物理模拟、传感器定位、控制系统和机器人路径规划中，欧氏距离常用于描述空间位置差异、误差大小或目标接近程度。其直观性使其成为模型构建中的常用工具。
7 性质拓展
欧氏距离并非只存在于简单直角坐标系中，也可以在不同表示方式和改造形式下使用，以适应更多实际问题。
7.1 在不同坐标系中的表示
在极坐标、柱坐标或球坐标中，欧氏距离仍然代表同一几何长度，但表达式形式会发生变化。通常需要先通过坐标变换回到欧氏空间，再进行距离计算，或直接利用对应坐标系下的几何关系推导。
7.2 加权欧氏距离
加权欧氏距离会给不同坐标维度赋予不同权重，以反映各特征的重要程度。其形式通常是在平方差前加入权重系数。这种做法常用于特征尺度不一致或某些维度更重要的场景。
7.3 标准化与归一化影响
当不同特征的量纲或取值范围差异较大时，直接使用欧氏距离可能导致某些维度主导结果。因此，在实际应用中常先进行标准化或归一化处理，使各维度对距离的贡献更加均衡。
7.4 与其他度量的比较
与曼哈顿距离、切比雪夫距离相比，欧氏距离更强调“空间直线”意义；与某些非线性相似度相比，它计算简单、解释明确，但对离群值和尺度变化也较为敏感。因此，在具体任务中常需结合数据特征选择合适的度量。
8 典型例子
通过具体数值可以更直观地理解欧氏距离的计算方式及其在不同维度中的表现。
8.1 平面两点距离示例
设平面上两点分别为 \(A(1,2)\) 和 \(B(4,6)\)。则距离为：
\[ d=\sqrt{(4-1)^2+(6-2)^2}=\sqrt{9+16}=5 \]
这说明两点之间的直线距离为 5 个单位。
8.2 三维空间距离示例
设空间中的两点为 \(P(0,0,0)\) 与 \(Q(1,2,2)\)。距离为：
\[ d=\sqrt{1^2+2^2+2^2}=\sqrt{9}=3 \]
该结果展示了三维空间中欧氏距离的基本计算方式。
8.3 高维数据样例
若两个三维特征向量分别为 \((2,5,1)\) 与 \((5,1,4)\)，则欧氏距离为：
\[ \sqrt{(2-5)^2+(5-1)^2+(1-4)^2} =\sqrt{9+16+9} =\sqrt{34} \]
在高维数据分析中，这种计算可直接扩展到更多特征维度。
8.4 常见误区与注意事项
一个常见误区是将欧氏距离与坐标差的简单相加混为一谈。实际上，正确做法是先平方、再求和、最后开平方。另一个需要注意的问题是，不同特征若量纲差异明显，距离结果可能失衡，因此在应用前往往需要预处理。