Julia中欧氏距离计算异常求助：三种PIP提取方法结果不符

我来帮你拆解下这个问题：你用三种方法提取PIP时，垂线距离和垂直距离结果始终一致，但欧氏距离在自定义数据集上和另外两种差异明显，而在书籍提供的数据集上结果对齐。这大概率是代码实现有疏漏，再加上三种方法的本质逻辑差异共同导致的，下面具体分析：

一、先修复代码里的致命bug：欧氏距离公式写错了 #

看你复现代码里的这一行：

_dde = sqrt((1-i)^2+(ys[1]-ys[i])) + sqrt((10-i)^2 + (ys[end]- ys[i])^2)

这里第一个平方根里的(ys[1]-ys[i])少了平方操作！欧氏距离的正确公式是两点间直线距离，即sqrt((x₁-x₂)² + (y₁-y₂)²)，所以这行代码必须修正为：

_dde = sqrt((1-i)^2 + (ys[1]-ys[i])^2) + sqrt((10-i)^2 + (ys[end]- ys[i])^2)

这个疏漏会直接导致欧氏距离计算完全错误，这应该是你测试时结果离谱的核心原因！先把这个问题修正，再重新跑测试，结果应该会合理很多。

二、三种距离方法的本质差异：为什么数据集不同会有结果分歧 #

即使修正了代码，在部分数据集上三种方法的结果也可能不一致，这是由它们的定义逻辑决定的：

• 垂直距离（Vertical Distance）：只计算点到线段的垂直投影在y轴上的距离，完全忽略时间维度（x轴）的权重，只关心价格偏离的幅度。
• 垂线距离（Perpendicular Distance）：是点到线段的最短几何距离，本质是垂直距离的标准化（除以线段斜率的模长），所以两者的相对大小完全一致——最大值的索引必然相同，这就是你看到这两个方法结果始终同步的原因。
• 欧氏距离之和（Euclidean Distance Sum）：计算当前点到线段两端点的欧氏距离之和，这个指标同时兼顾了时间维度（点在时间轴上的位置）和价格维度（价格偏离幅度）。当时间跨度较大，或者价格波动的时间分布不均匀时，它的最大值很可能和前两者不同。

举个直观的例子：假设有一个点，价格偏离线段不多，但时间上非常靠近线段中点，它的欧氏距离之和会很小；而另一个点价格偏离中等，但时间上靠近线段的某一端，它的欧氏距离之和可能更大。但垂直/垂线距离只看价格偏离的几何距离，会优先选价格偏离最大的点。

三、为什么书籍数据集的结果会一致 #

书籍提供的数据集大概率是特意构造的：比如价格偏离最大的点，恰好同时在时间上远离线段两端，这种情况下三种方法的最大值会重合。但这是特殊场景，不是普遍规律，换用真实的金融时间序列数据时，结果出现分歧才是正常的。

四、后续验证建议 #

1. 先修正欧氏距离公式的平方遗漏问题，重新运行测试代码，观察结果是否更符合预期。
2. 可视化三种距离的分布：把时间点xi作为x轴，分别把dE、dP、dV作为y轴画图，直观观察最大值的位置差异，理解不同指标的侧重。
3. 如果需要让欧氏距离的结果和另外两种对齐，可以考虑给时间维度和价格维度加权重（比如根据时间间隔和价格波动幅度做标准化），让两个维度的贡献更均衡。

内容的提问来源于stack exchange，提问作者jupiter