📏 Евклидово расстояние: Математическая "Линейка" Мира (Даже в N-мерном пространстве!)

Представьте, что вы хотите измерить кратчайший путь между двумя точками:
➖На листе бумаги (от точки A до B карандашом).
➖На карте мира (прямой перелёт между городами).
➖В пространстве признаков (насколько похожи два товара по цене и рейтингу?).

Во всех этих случаях часто используется Евклидово расстояние! Это самая обычная, интуитивно понятная дистанция "по прямой", которую мы изучали в школе на плоскости.

📐 Что это такое (математически просто):

1️⃣На плоскости (2D): Возьмите две точки: A(x1, y1) и B(x2, y2)
2️⃣Разность координат: Посчитайте разницу по X: dx = x2 - x1. И по Y: dy = y2 - y1.
3️⃣Теорема Пифагора: Квадрат расстояния — это сумма квадратов катетов: dx² + dy².
4️⃣Корень: Само Евклидово расстояние d — это квадратный корень из этой суммы: d = √( (x2 - x1)² + (y2 - y1)² )

🌎А что в 3D или даже больше? Легко!
Формула прекрасно масштабируется! Для точек в 3D: A(x1,y1,z1), B(x2,y2,z2):
d = √( (x2-x1)² + (y2-y1)² + (z2-z1)² )

Нужно измерить расстояние в 10-мерном пространстве (например, сравнение объектов по 10 параметрам)? Просто суммируйте квадраты разностей по всем 10 координатам и извлеките корень!
d = √( Σ (xi - yi)² )

💡Где это ОЧЕНЬ полезно (суперсила Евклида!):
➖Машинное обучение:
➖Кластеризация (K-Means): Определяет, насколько точки "похожи" и к какому кластеру ближе.
➖K-Nearest Neighbors (KNN): Находит самых "близких" соседей для классификации или регрессии.
➖Рекомендательные системы: Поиск похожих товаров/пользователей в пространстве признаков.

➖Компьютерное зрение: Сравнение изображений (например, поиск дубликатов или похожих картинок по векторам признаков).
➖Геоинформационные системы (GIS): Расчет прямого расстояния между координатами на карте (игнорируя дороги/рельеф).
➖Физика/Игры: Расчет дистанций между объектами в 2D/3D пространстве.
➖Анализ данных: Поиск аномалий (очень "далекие" точки от кластера) или просто измерение различий между записями.

🤔 Почему именно "Евклидово"?
Честь открытия (или, точнее, формализации) принадлежит древнегреческому математику Евклиду, который описал свойства пространства и расстояний в своих знаменитых "Началах".

💎 Главное преимущество: Невероятная наглядность и соответствие нашему интуитивному пониманию "расстояния".

❗️Минус: Может быть чувствительно к масштабу признаков. Если один признак измеряется в тысячах (например, зарплата), а другой в единицах (например, возраст), то зарплата будет доминировать в расстоянии. Поэтому данные часто стандартизируют перед использованием Евклидовой метрики.

🤔 А вы знали? Евклидово расстояние — это частный случай более общей меры — расстояния Минковского!

👉 Проверьте себя: Каково Евклидово расстояние между точками (1, 2, 3) и (4, 6, 8) в 3D? (Ответ в комментариях! 😉)

На заметку:
import math

def euclidean_distance(p, q):
return math.sqrt(sum((pi - qi) ** 2 for pi, qi in zip(p, q)))
A = [2, 1, 2, 1, 2, 1, 2, 1, 10, 10]
X = [2] * 10

print(euclidean_distance(A, X)) # ≈11.4891