欧几里得距离可用std::sqrt与std::inner_product一行计算，本质是向量差的L2范数；需确保数组等长、元素支持减法乘法，防溢出应转double；NaN/inf时标准库静默传播，手动循环更易调试。
用 std::sqrt 和 std::inner_product 一行算完
欧几里得距离本质就是向量差的 L2 范数，C++ 标准库其实已经提供了足够直接的工具。不用手写循环也能清晰表达意图：std::inner_product 可以对两个数组逐元素计算差的平方和，再套一层 std::sqrt 就是结果。
关键点在于：必须确保两个数组长度一致，且元素类型支持减法和乘法（如 float、double）。若用 int 存坐标但中间结果可能溢出，建议显式转成 double 再算。
示例（假设两数组长度为 n）：
double euclidean_distance(const std::vector<double>& a, const std::vector<double>& b) {
assert(a.size() == b.size());
double sum_sq = std::inner_product(a.begin(), a.end(), b.begin(), 0.0,
std::plus<>{},
[](double x, double y) { return (x - y) * (x - y); });
return std::sqrt(sum_sq);
}手动循环更可控，尤其要处理 NaN 或 inf
标准库方案简洁，但遇到含 NaN 或 inf 的数据时，std::inner_product 会静默传播错误值，调试困难。手动循环能插入检查、提前退出或打日志。
立即学习“C++免费学习笔记（深入）”；
常见疏漏：
- 忘记检查数组长度不等时的行为——直接访问越界导致未定义行为
- 用
float累加大量小数值，发生精度丢失（应改用double累加器） - 没考虑负零（
-0.0）与正零（0.0相减结果仍是0.0，不影响结果，但需心里有数）
轻量级安全版本：
double euclidean_distance_safe(const std::vector<double>& a, const std::vector<double>& b) {
if (a.size() != b.size()) throw std::invalid_argument("size mismatch");
double sum_sq = 0.0;
for (size_t i = 0; i < a.size(); ++i) {
double diff = a[i] - b[i];
if (std::isnan(diff) || std::isinf(diff)) return std::numeric_limits<double>::quiet_NaN();
sum_sq += diff * diff;
}
return std::sqrt(sum_sq);
}用 std::valarray 做数值向量化（仅限简单场景）
std::valarray 支持元素级运算，写起来像数学公式，适合原型验证或教学演示，但实际项目中极少用——它不兼容 STL 算法，内存布局不保证连续（某些实现用间接寻址），且缺乏移动语义支持。
如果只是临时快速验证，可以这样写：
std::valarray<double> a{1.0, 2.0, 3.0}, b{4.0, 5.0, 6.0};
double dist = std::sqrt(((a - b) * (a - b)).sum());注意：valarray 的 sum() 返回 double，但若数组为空则返回 0；它不会检查 NaN，也不会抛异常，行为和 inner_product 类似。
性能敏感时避免重复开方，或改用平方距离比较
如果只做距离比较（比如找最近邻），完全没必要调用 std::sqrt——平方距离单调性一致，省去开方能快 10%~20%，还规避了浮点误差和特殊值处理。
另外，现代 CPU 对连续内存访问友好，把循环展开（unroll）或用 SIMD 指令（如 AVX2）可进一步加速，但这需要编译器支持（-O3 -mavx2）和对齐内存。普通业务代码优先保证正确性和可读性，别过早优化。
真正容易被忽略的是：当数组维度高达上万维时，欧氏距离本身会退化（所有点对距离趋近相等），此时应换用更适合高维的度量方式，而不是纠结怎么算得更快。
