嘿，这个需求在量化交易策略开发里挺常见的，我来给你拆解成数据存储和距离计算两部分讲，保证清晰实用：

一、数据存储方案 #

1. 二维数组实现（直接满足你的需求） #

如果就想用二维数组，逻辑非常直观：每一行对应一条触发条件的K线，每行包含5个浮点值，顺序固定为 [开盘价, 最高价, 最低价, 收盘价, 自定义值]。

举个Python的实操例子：

# 初始化空的二维数组，用来存所有触发条件的K线数据
triggered_krecords = []

# 当触发条件满足时，调用这个函数保存数据
def save_triggered_kline(open_p, high_p, low_p, close_p, custom_val):
    triggered_krecords.append([open_p, high_p, low_p, close_p, custom_val])

要是用Java的话，写法也类似：

// 用ArrayList存储二维数组，灵活扩容
ArrayList<Double[]> triggeredKRecords = new ArrayList<>();

// 保存触发的K线数据
public void saveTriggeredKline(double open, double high, double low, double close, double customVal) {
    triggeredKRecords.add(new Double[]{open, high, low, close, customVal});
}

2. 结构化存储（更推荐，可读性拉满） #

二维数组虽然能用，但时间久了你很容易忘哪个索引对应哪个字段（比如索引3是收盘价还是最低价？）。更推荐用数据类/结构体封装这些字段，代码维护起来轻松太多。

比如Python用dataclasses（Python 3.7+支持）：

from dataclasses import dataclass

# 定义一个专门的类来存储触发K线的所有数据
@dataclass
class TriggeredKline:
    open: float
    high: float
    low: float
    close: float
    custom_value: float

# 存储列表，用来存所有触发的K线实例
triggered_krecords = []

# 保存数据的时候直接实例化类就行
triggered_krecords.append(TriggeredKline(open=12.3, high=13.1, low=12.0, close=12.7, custom_value=0.6))

后续访问数据时，直接写kline.close、kline.custom_value，比记数组索引靠谱多了。

二、点位距离计算 #

这里的“距离”得先明确需求：是算单个点位的差值，还是多个点位的综合差异？我两种情况都给你讲：

1. 单个点位的距离计算 #

如果只需要对比某一个特定点位（比如当前收盘价和触发K线的收盘价的距离），直接做差值就行，要区分方向就保留正负，要绝对值距离就套个abs()：

用结构化存储的例子：

# 假设当前K线的收盘价是current_close
current_close = 13.5
# 取最近一条触发的K线（或者根据业务逻辑取特定的某一条）
latest_triggered = triggered_krecords[-1]

# 带方向的距离（正表示当前收盘价更高，负表示更低）
close_distance = current_close - latest_triggered.close
# 无方向的绝对值距离
abs_close_distance = abs(current_close - latest_triggered.close)

如果用二维数组，就是把latest_triggered.close换成triggered_krecords[-1][3]（因为索引3对应收盘价）。

2. 多点位的综合距离计算 #

如果要同时考虑所有5个点位的差异，推荐用欧几里得距离——把每个点位的差值当作多维空间的坐标差，计算空间距离。公式是：

总距离 = √[(当前开盘-触发开盘)² + (当前最高-触发最高)² + (当前最低-触发最低)² + (当前收盘-触发收盘)² + (当前自定义值-触发自定义值)²]

Python实现代码（兼容结构化存储和二维数组）：

import math

def calculate_total_distance(current_data, triggered_data):
    # 先计算每个点位的差值
    if isinstance(current_data, TriggeredKline):
        # 结构化数据的情况
        diffs = [
            current_data.open - triggered_data.open,
            current_data.high - triggered_data.high,
            current_data.low - triggered_data.low,
            current_data.close - triggered_data.close,
            current_data.custom_value - triggered_data.custom_value
        ]
    else:
        # 二维数组的情况
        diffs = [current_data[i] - triggered_data[i] for i in range(5)]
    
    # 计算平方和后开根号
    squared_sum = sum(d ** 2 for d in diffs)
    return math.sqrt(squared_sum)

3. 自定义加权距离（适配策略需求） #

如果你的策略里某些点位更重要（比如收盘价权重更高），可以给不同点位设置权重，计算加权后的综合距离：

def calculate_weighted_distance(current_data, triggered_data):
    # 自定义权重，比如收盘价占40%，其他三个价格各15%，自定义值占10%
    weights = [0.15, 0.15, 0.15, 0.4, 0.1]
    
    if isinstance(current_data, TriggeredKline):
        diffs = [
            current_data.open - triggered_data.open,
            current_data.high - triggered_data.high,
            current_data.low - triggered_data.low,
            current_data.close - triggered_data.close,
            current_data.custom_value - triggered_data.custom_value
        ]
    else:
        diffs = [current_data[i] - triggered_data[i] for i in range(5)]
    
    # 计算加权平方和后开根号
    weighted_squared_sum = sum((d * w) ** 2 for d, w in zip(diffs, weights))
    return math.sqrt(weighted_squared_sum)

这样就完全适配你的需求了，不管是存储还是计算都能搞定。

内容的提问来源于stack exchange，提问作者aref razavi