相似性里的几种经典系数用法，平时做数据推荐、用户画像、市场研究这些场景都能派上用场。余弦相似度、皮尔逊相关系数这两个老熟人基本是入门标配，适合用在向量角度比较相似程度那类问题，是推荐算法里蛮常见。

定类数据场景下，就要换思路了，像卡方距离、法方距离这种更适配分类属性。举个例子，比如问卷里“性别、城市、学历”这类，拿欧氏距离就不太合适，得上卡方距离来比较。

你要是刚好在研究推荐算法，可以看看这篇用皮尔逊相关系数打造个性化电影推荐，里面讲得还挺通俗，思路也实用。

还有像马氏距离，适合变量间存在相关性的高维数据，不少做聚类或模式识别的场景都会遇到，用得对能提高不少精度。可以参考马氏距离在相似性度量中的应用，讲得蛮细。

你要是更想看代码实现，广义距离变换 MATLAB 实现这篇也不错，虽然是 MATLAB 代码，但逻辑清晰，改成 Python 也不难。

建议是：如果你做市场调研、推荐系统、聚类这类项目，不妨收藏一下这些工具和算法文档，平时查着用挺方便的。哦对了，这篇讲相似性度量方法的算是比较全的概览，可以先从它入手。