在数据分析和机器学习中，衡量样本点与中心点（如质心或均值点）之间远近的常用距离度量方法有哪些？

回答思路

1. 【回答框架 1】欧氏距离是最直观的度量，适用于数值特征且各维度尺度一致的情况，计算为各维度差值的平方和再开方。
2. 【回答框架 2】曼哈顿距离（城区距离）取各维度绝对差之和，对异常值更鲁棒，适用于高维稀疏数据或特征维度间相互独立的情形。
3. 【回答框架 3】余弦相似度及其对应的余弦距离（1减余弦相似度）衡量方向而非幅度，常用于文本向量或高维稀疏数据，对特征尺度不敏感。
4. 【回答框架 4】马氏距离考虑特征间的相关性和尺度差异，通过协方差矩阵的逆计算，适用于特征非独立且分布呈椭圆状的数据。
5. 【回答框架 5】其他常用度量包括切比雪夫距离（取最大绝对差）、闵可夫斯基距离（欧氏和曼哈顿的推广，通过参数p控制）以及汉明距离（用于分类特征）。选择依据主要看数据类型、特征相关性和对异常值的容忍度。
6. 【关键点 1】欧氏距离是最常用，但要求特征尺度一致。
7. 【关键点 2】曼哈顿距离对异常值更稳健，适合高维稀疏数据。
8. 【关键点 3】余弦距离关注方向，适用于文本或高维向量。
9. 【关键点 4】马氏距离能消除特征相关性和尺度影响。
10. 【关键点 5】距离选择需结合数据分布和应用场景。
11. 【易错点 1】忽略特征标准化直接使用欧氏距离可能导致尺度大的特征主导距离。
12. 【易错点 2】余弦距离并不满足三角不等式，不能作为严格的距离度量。
13. 【易错点 3】马氏距离在小样本或协方差矩阵奇异时计算不稳定。