马氏距离（Mahalanobis Distance）是一种计算两个样本点之间距离的方法，它考虑了不同属性之间的相关性。在Python中，我们可以使用NumPy库的mahalanobis函数来计算两个向量之间的马氏距离。

import numpy as np
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
covariance = np.array([[1, 0.5, 0], [0.5, 1, 0], [0, 0, 1]])
print(np.linalg.inv(covariance))
# [[ 1.33333333, -0.66666667,  0.        ],
#  [-0.66666667,  1.33333333,  0.        ],
#  [ 0.        ,  0.        ,  1.        ]]
distance = np.sqrt((x - y).T @ np.linalg.inv(covariance) @ (x - y))
print(distance)
# 3.2310988844688093

在上面的代码中，我们定义了两个向量和，以及一个协方差矩阵。接着，我们使用NumPy的linalg.inv函数计算协方差矩阵的逆矩阵，然后使用向量的内积计算马氏距离。

需要注意的是，当协方差矩阵不满秩（即存在某些属性完全相关）的时候，逆矩阵并不存在。这种情况下，可以使用伪逆矩阵（即Moore-Penrose逆）来代替。