下面的计算是在spark mlib库中用来计算欧几里得距离的

private[mllib] def fastSquaredDistance(      v1: Vector,      norm1: Double,      v2: Vector,      norm2: Double,      precision: Double = 1e-6): Double = {    val n = v1.size    require(v2.size == n)    require(norm1 >= 0.0 && norm2 >= 0.0)    val sumSquaredNorm = norm1 * norm1 + norm2 * norm2    val normDiff = norm1 - norm2    var sqDist = 0.0    val precisionBound1 = 2.0 * EPSILON * sumSquaredNorm / (normDiff * normDiff + EPSILON)    if (precisionBound1 < precision) {      sqDist = sumSquaredNorm - 2.0 * dot(v1, v2)    } else if (v1.isInstanceOf[SparseVector] || v2.isInstanceOf[SparseVector]) {      val dotValue = dot(v1, v2)      sqDist = math.max(sumSquaredNorm - 2.0 * dotValue, 0.0)      val precisionBound2 = EPSILON * (sumSquaredNorm + 2.0 * math.abs(dotValue)) /        (sqDist + EPSILON)      if (precisionBound2 > precision) {        sqDist = Vectors.sqdist(v1, v2)      }    } else {      sqDist = Vectors.sqdist(v1, v2)    }    sqDist  }

我对机器学习非常新手。我的问题是如何通过修改上面的代码来计算曼哈顿距离。

回答：

在没有额外背景的情况下，我建议以最简单的方式实现L1距离：

d_manhatten(u,v) = sum( abs(u[i] - v[i]), i)     // 伪代码

我没有仔细看你的代码，但看起来大部分内容是（1）关注精度（对于L1来说，这比L2的问题要少，因为没有平方）和（2）使用L2范数作为输入（据我所知，这些在计算L1时没有用）。所以修改当前的方法可能不是很有用。

另外，我听说过过早优化是万恶之源，所以先尝试最简单的方法，如果不可接受，再尝试混淆优化:)