计算数据之间的距离

在数据分析和机器学习领域，计算数据之间的距离是一项重要任务。距离度量可以帮助我们比较不同数据点之间的相似性或差异性，从而进行聚类、分类、异常检测等任务。本文将介绍几种常见的距离度量方法，并提供相应的源代码实现。

1. 欧氏距离（Euclidean Distance）
   欧氏距离是最常用的距离度量方法之一，用于计算两个点之间的直线距离。对于二维空间中的两个点(x1, y1)和(x2, y2)，欧氏距离的计算公式为：

import math

def euclidean_distance(x1, y1, x2, y2):
    return math.sqrt((x2 - x1) ** 2 + (y2 - y1) ** 2)

# 示例
distance = euclidean_distance(1, 2, 4, 6)
print(distance)  # 输出：5.0

2. 曼哈顿距离（Manhattan Distance）
   曼哈顿距离是另一种常见的距离度量方法，也称为城市街区距离。它计算两个点在坐标轴上的绝对距离之和。对于二维空间中的两个点(x1, y1)和(x2, y2)，曼哈顿距离的计算公式为：

def manhattan_distance(x1, y1, x2, y2):
    return abs(x2 - x1) + abs(y2 - y1)

# 示