切比雪夫距离可手动用np.max(np.abs(a - b))计算：先逐元素相减，再取绝对值，最后取最大值；需确保数组形状兼容广播，批量计算需手动升维或循环。
怎么用 np.max 和 np.abs 手动算切比雪夫距离
切比雪夫距离本质就是两向量各维度差值的绝对值中的最大值，不需要调库函数也能一行写完。核心就是先做逐元素减法，再取绝对值，最后取最大。
常见错误是直接对整个数组调 np.max 而没指定 axis，结果得到一个标量而非按样本计算的距离；或者忘了用 np.abs，负数差值拉低了最大值。
- 确保两个数组形状一致，比如都是
(n, d)，否则减法会触发广播，可能算出意外结果 - 如果比较的是单个样本对（一维），直接写
np.max(np.abs(a - b)) - 如果是批量计算（比如
a是(m, d)，b是(n, d)），得用循环或手动广播，scipy.spatial.distance.cdist更稳妥 -
np.abs对float32和int64都安全，但若含NaN，np.max默认会传播NaN，需加nan_policy='omit'类逻辑（实际得用np.nanmax）
为什么不用 scipy.spatial.distance.chebyshev
它确实封装好了，但内部做的就是和上面一样的事：调 np.max(np.abs(u - v))。用它的唯一好处是自动处理 NaN 和输入校验；缺点是多一层函数调用开销，且不支持向量化批量计算（只能一对一对来）。
如果你已经在用 scipy，且只算几次距离，用 chebyshev 没问题；但要是嵌在热循环里、或者要算上万对，自己写 np.max(np.abs(...)) 更快也更可控。
立即学习“Python免费学习笔记（深入）”；
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
-
scipy.spatial.distance.chebyshev不接受二维数组批量输入，传(1000, 5)和(1000, 5)会报错，必须用循环 - 它对
inf和-inf的处理和np.max一致，但不会警告——出问题时更难定位 - 若项目禁止引入
scipy，这方法就不可用，而纯 NumPy 写法零依赖
遇到 ValueError: operands could not be broadcast together 怎么办
这是最常卡住人的地方：两个数组维度不匹配，NumPy 尝试广播失败。切比雪夫距离要求“可逐元素相减”，意味着除 batch 维外，其余维度必须严格一致。
比如想算 100 个点（(100, 4)）到 1 个中心点（(4,)）的距离，可以；但拿 (100, 4) 去减 (50, 4) 就不行——不是所有组合都合法。
- 检查形状：
a.shape == b.shape或其中一个是(d,)（能被广播） - 需要全连接式计算（如所有 A 中点对所有 B 中点）？别硬广播，改用
np.expand_dims手动升维：np.max(np.abs(a[:, None] - b[None, :]), axis=2) - 如果其中一个数组是列向量（
(n, 1)），另一个是行向量（(1, m)），广播后变成(n, m)，但这时算的不是切比雪夫距离，而是矩阵差——小心语义错位
性能敏感时要注意的细节
纯 NumPy 实现快，但有几个隐性坑会影响实测速度：内存连续性、中间数组分配、数据类型。
例如 np.max(np.abs(a - b)) 会新建两个临时数组（差值、绝对值），对大数组有 GC 压力；而原地操作或使用 np.subtract + np.fabs 并指定 out= 参数可省掉一次分配。
- 优先保证
a和b是 C-contiguous（用a.flags.c_contiguous检查），否则np.abs可能慢 2–3 倍 - 避免重复计算：如果多次用同一组
b去比不同a，把np.abs(b)提前算好没用——因为要的是abs(a - b)，不是abs(a) - abs(b) -
float32数组比float64在np.max上快约 15%，但要注意精度是否够用
事情说清了就结束。切比雪夫距离本身简单，但数组形状、广播规则、临时内存这几块最容易在调试时花掉半天。
