講到大數據就免不了提及一些演算法，但在我們開始介紹演算法之前，先介紹在數據中各種距離代表得含義

閔可夫基斯距離（Minkowski Distance）

嚴格上來講閔可夫司機距離不算一種距離，而是一組距離的定義

兩組?維變數及間的閔可夫司機距離定義為：

其中p是一個變參數

• 當p=1時，就是曼哈頓距離
• 當p=2時，就是歐氏距離
• 當p→♾時，就是謝比雪夫距離

根據變參數的不同，閔可夫基斯距離可以表示一種距離

歐氏距離（Euclidean Distance）

歐氏距離(L2範數)，來自歐氏空間中的兩點間的距離公式

• 二維平面上的兩點與間的歐氏距離：
  
• 三維空間上的兩點與間的歐氏距離：
  
• 兩個?維向量與間的歐氏距離：
  

用python實現歐氏距離：

import numpy as np


def get_dist(a, b):
    """
    a:  A點
    b:  B點
    """
    return np.sqrt(sum(np.power((a - b), 2)))


if __name__ == '__main__':
    a = np.array([1, 2, 3])
    b = np.array([1, 2, 3])
    print(get_dist(a, b)) # 0
    a = np.array([1, 2, 3])
    b = np.array([3, 1, 5])
    print(get_dist(a, b)) # 3.0