目前凭印象说一下，可能不准，反正说给我自己的哈哈、
PCA就是找出一些特征的线性组合，这些线性组合能够有效地区分出不同数据点，数据点在这些PCA找出来的方向上的投影点方差最大（同时重建误差最小，参考PCA）

欧氏距离是最直观最简单的，也就是两个点之间的几何距离，也就是原始数据各个维度上坐标值的差的平方之和
标准化欧式距离是针对简单欧式距离的缺点而作的一种改进方案。标准欧式距离的思路:既然数据各维分量的分布不一样，那我们可以先将各个分量都“标准化”到均值、方差相等。那么均值和方差都标准化到多少呢？假设样本集X的均值(mean)为m，标准差(standard deviation)为s,那么X的“标准化变量”表示为:标准化变量的数学期望为0，方差为1。
但是还需要改进，因为各个维度会有数据冗余，比如身高维度和体重维度实际上有很大关系，所以我们就用到了PCA，来找到更高效的新维度（旧维度的线性组合）来表示数据点，这就是马氏距离，排除变量之间的相关性的干扰。
机器学习中的相似性度量
马氏距离的一步步理解-参考1
马氏距离的一步步理解-参考2