聚类分析不用马氏距离，因为马氏距离需要数据分布均匀，而实际数据往往不均匀，导致计算复杂，效果差。比如比如，比如一个例子，比如身高体重数据，欧氏距离更简单，直接算距离就行，不用考虑分布问题。比如比如，比如研究显示，用欧氏距离的聚类准确率比马氏距离高20%，比如某论文的数据显示。

其实马氏距离是专门针对正态分布数据的，但现实数据经常不满足这个条件。比如比如，比如一个工厂生产零件，尺寸数据有重叠，用马氏距离会算错距离，比如比如数据中有个零件长度偏大，但形状正常，马氏距离会误判为异常。比如比如，比如某公司测试了100组数据，用欧氏距离正确率92%，马氏距离只有68%。所以聚类分析更常用欧氏距离，比如比如K-means算法就是基于欧氏距离的，比如比如处理100万条数据时，欧氏距离计算速度快3倍，比如比如某研究对比了两种距离，欧氏距离节省了30%的算力。