向量函数

本节提供了 Databend 中向量函数 (Vector Functions) 的参考信息。这些函数支持全面的向量操作，包括距离计算、相似度测量和向量分析，适用于机器学习应用、向量搜索和人工智能驱动的分析。

距离函数

函数	说明	示例
COSINE_DISTANCE	计算向量之间的角距离 (Angular Distance)（范围：0-1）	COSINE_DISTANCE([1,2,3], [4,5,6])
L1_DISTANCE	计算向量之间的曼哈顿（L1）距离 (Manhattan Distance)	L1_DISTANCE([1,2,3], [4,5,6])
L2_DISTANCE	计算欧几里得（直线）距离 (Euclidean Distance)	L2_DISTANCE([1,2,3], [4,5,6])

向量分析函数

函数	说明	示例
INNER_PRODUCT	计算两个向量的内积（点积）(Inner Product)	INNER_PRODUCT([1,2,3], [4,5,6])
VECTOR_NORM	计算向量的 L2 范数（模长）(L2 Norm)	VECTOR_NORM([1,2,3])
VECTOR_DIMS	返回向量的维度 (Vector Dimensions)	VECTOR_DIMS([1,2,3])

距离函数比较

函数	说明	范围	最适用场景	用例
COSINE_DISTANCE	向量之间的角距离	[0, 1]	当方向比大小更重要时	• 文档相似度 • 语义搜索 • 推荐系统 • 文本分析
L1_DISTANCE	向量之间的曼哈顿（L1）距离	[0, ∞)	对异常值具有鲁棒性	• 特征比较 • 异常值检测 • 基于网格的路径规划 • 聚类算法
L2_DISTANCE	欧几里得（直线）距离	[0, ∞)	当大小很重要时	• 图像相似度 • 地理数据 • 异常检测 • 基于特征的聚类

向量分析函数比较

函数	说明	范围	最适用场景	用例
INNER_PRODUCT	两个向量的点积	(-∞, ∞)	测量向量相似度和投影	• 神经网络 • 机器学习 • 物理计算 • 向量投影
VECTOR_NORM	向量的 L2 范数（模长）	[0, ∞)	向量归一化和模长计算	• 向量归一化 • 特征缩放 • 模长计算 • 物理应用
VECTOR_DIMS	向量的维度数	[1, 4096]	向量验证和处理	• 数据验证 • 动态处理 • 调试 • 兼容性检查