在一元的情形中，定义两个点和之间的距离：

• 两者作差的绝对值，我们称为欧式距离。
• 经过标准化的作差绝对值，我们称为统计距离，或者标准化过后的距离。其中，代表样本的标准差。

在多元的情形中，假设我们有两个维向量和

如上面的定义，和相当于维空间中的两个点。我们也有两种方法定义两个点之间的距离。

一、欧式距离（Euclidean distance）/范数

欧式距离的计算公式如下：

直观的理解即为：每个分量之间的差异的平方和，再开根号。

缺陷：

1、没有考虑到不同变量（维度）变化的尺度不同。

例如，代表的是长度，用“厘米”作为度量单位和用“米”作为度量单位，算出来的两者的差别非常大。他们其实是一样的数值，只是因为单位的不同，造成欧式距离计算的结果产生极大的变化。

2、没有考虑变量之间的相关性。

如果两个变量（维度）之间的相关性非常强，欧式距离无法体现相关性。

二、马氏距离/统计距离（Statistical/Mahalanobis distance）

类似于一元情形，我们定义和之间的马氏距离/统计距离为：

借助于一元情形的标准化思想，我们求解距离的时候增加了一个和他们的协方差矩阵的逆，使得方差更大的变量（维度）对应了更小的权重，而且两个高度相关的变量（维度）对统计距离的贡献小于两个相关性相对较低的变量的贡献。

三、马氏距离和欧式距离的关系

统计距离实际上是两个经过“变换”的向量和之间的欧式距离。 

，其中为的协方差矩阵，即。

将代入上式，可得，代表一个维的单位阵。

也就是说，随机向量通过乘上矩阵，得到一个新的随机向量，它的方差，每个维度的方差都是1，是标准化的。它的每两个变量之间的协方差为0。从几何的意义上来讲，相当于对向量做了一个“旋转”和“伸缩变换”，通过变换之后的向量，每个分量之间的协方差为0，每个分量自身的方差标准化为1。

我们来计算标准化之后的向量之间的欧式距离。

结论：马氏距离即是我们将向量“标准化”过后的欧式距离，如何标准化，即乘上向量其自身的协防差矩阵的逆的矩阵根。

四、几何理解

左下方的图，比较中间那个绿色的和另外一个绿色的距离，以及中间绿色到蓝色的距离。如果不考虑数据的分布，就是直接计算欧式距离，那就是蓝色距离更近（左上图）。但实际上需要考虑各分量的分布的，直观上我们能看出，数据是呈椭圆形分布。蓝色的在椭圆外，绿色的在椭圆内，因此绿色的实际上更近（右上图）。求马氏距离的过程，实际上就是把左下角的图变成了右下角。